PR body 指出：In separate-async mode, the standalone rollout runs on dedicated GPUs that are not part of the trainer resource pool. However, compute_throughout_metrics used resource_pool_manager.get_n_gpus() as the denominator, which only counts trainer-side GPUs. This caused perf/throughput to be inflated in separate-async mode, making it incomparable with sync and colocate-async modes.

建议合入。逻辑清晰，修改量小，且修复了明确的数据错误。值得关注的是通过模板方法模式（基类默认 + 子类重写）分离关注点，是平滑扩展的良好实践。未来其他异步模式如有类似需求，也应遵循此模式。

1. 基类 trainer_base.py 新增 _get_n_gpus_for_throughput 方法：该方法返回 resource_pool_manager.get_n_gpus()（即 trainer 端 GPU 数），作为默认实现；同时将 _compute_metrics 中原本直接调用 self.resource_pool_manager.get_n_gpus() 的位置替换为调用 self._get_n_gpus_for_throughput()，使后续子类重写生效。
2. 分离异步 trainer trainer_separate_async.py 重写 _get_n_gpus_for_throughput 方法：重写后返回 trainer_gpus + rollout_gpus，其中 rollout GPU 数通过配置项 actor_rollout_ref.rollout.n_gpus_per_node * actor_rollout_ref.rollout.nnodes 计算得到。
3. 测试配套：本次改动未新增直接对应的测试文件。由于变更集中在指标计算逻辑，属于内部重构，对功能无影响，可能依赖现有 CI 覆盖。

低风险。变更范围有限，仅新增一个方法并修改一处调用点。需要确保所有子类中，如果存在其他使用 resource_pool_manager.get_n_gpus() 的吞吐量计算路径，也已通过此方法统一；经检查，_compute_metrics 中已有唯一入口。风险点在于：若将来有其他子类未及时重写 _get_n_gpus_for_throughput，其吞吐量分母可能不准确（但默认行为与之前一致，无回归）。

直接影响分离异步模式下吞吐量（throughput）指标的计算结果，使其更准确，并与同步/同址异步模式可比。对同步和同址异步模式无影响。用户无需修改配置，变更透明。