正在补充深度解读，当前内容可以先阅读
论文解决了什么问题
研究智能体既要决定怎样调查，也要决定接下来调查什么，但关键分配决策稀疏且回报常在数轮后才出现。
核心方法
外循环从持久研究记录中整理上下文并下达工作单，内循环用新执行器完成任务；生成式critic预测剩余回报，再联合训练MIRA-AC选择下一项调查。
实验结论
- 零策略训练版已改善长时程推理与算力分配；MIRA-AC在四个自动研究环境中用代理爬山信号训练后提升真实目标表现，并支持跨环境迁移。
- 把长轨迹信用分配压缩到“是否继续、下一步查什么”这些真正改变研究方向的边界。
适合谁阅读
自动科研与长时程Agent研究者研究智能体元推理Actor-Critic
可核验的原论文来源和作者
- 作者
- Ankur Samanta, Yonathan Efroni, Paul Sajda, Kaveh Hassani, Anirudh Goyal
- 来源
- arXiv
- 论文 ID
- 2610.02525