从可看见、可回放的小游戏出发，重现策略怎样找到预测模型的漏洞，再比较补数据是否修复了真实行为。
先选择Breakout，分别在规则环境与学习环境中运行同一策略，保存出现高梦境奖励却低真实得分的轨迹。然后区分三类原因：训练数据没有覆盖策略访问的状态，预测奖励与状态转换不一致，或量化和解码约束改变了动作后果。针对第一类可按作者路径补收集数据；针对后两类应先核对浮点、整数参考和Rust输出的一致性，避免把导出错误误认作强化学习的新现象。
一个有用的比较是，在相近新增数据预算下，随机补样本与补采当前策略容易利用的状态，哪一种更能改善规则环境成绩，并检查旧状态是否退化。帧准确率可以诊断预测，但最终应回到真实游戏的得分与失败类型。如果两种采样同样有效，或所谓漏洞其实是显示/奖励实现错误，就应接受较简单的解释。这些比较均为拟议复现，没有本地实验结果。