TRL保留多轮Agent重分词漂移前的训练信号

TRL的实验性AsyncGRPO和OpenEnv Harness会在每轮重新渲染完整对话。此前小于fork_threshold_tokens的漂移走realign路径，漂移部分的旧回答会被当成上下文，不再参与训练；工具调用前的换行变化也可能造成整段工具调用被掩掉。此次合入删除阈值与realign选项，新的prompt若不以前轮持有token为前缀，就保留原序列并从新行继续，相关行共享稳定rollout_id。项目以Qwen3-1.7B、GSM8K计算器工具、每组一张B200采样和一张训练GPU作单种子对照，报告训练token保留与packing变化，同时整体step time并未稳定降低。该改动改变训练行、梯度和指标含义，适用于实验异步GRPO路径，不能作为通用收敛或速度保证。