面向智能体的逐轮多尺度密度比估计

为多步智能体后训练设计逐轮、多尺度的策略分布估计方法。

推荐理由：工作针对整段轨迹奖励难以定位具体决策的问题，将密度比估计细化到对话轮次和不同尺度，可能改善多步智能体对齐的信用分配。