把「研究什么」与「怎么做」分开：用 RL 训练自动科研智能体

新工作用一个 harness 把构思（ideation）与执行（execution）分离，让信用直接分配到元推理决策上，从而训练能在 agent 连跑上百个实验时给晚见效决策分配信用的自动科研智能体。同时跨环境预训练一个决策级生成式 critic，作为「部分进展」的可迁移价值先验。同一模型兼顾 actor 和 critic 共同训练，既学会评估中间状态，也据此行动。