Reward-Rate Policy Gradient：让 agent RL 学会为执行时间买单

新论文提出 Reward-Rate Policy Gradient（RPG），在 semi-MDP 框架下改为优化单位时间内的奖励而非固定步数回报，让 agent RL 显式权衡「更快完成」与「更高奖励」。动机是自动科研与 MLE 类 agent 的单个动作可能耗时几秒、也可能跑几小时，固定步长 MDP 无法刻画这种时间成本差异。该方法适合长时间动作开销显著的 agent 训练场景。