SERL-SQL强化Text-to-SQL

SERL-SQL用选择性 hindsight 蒸馏，为多轮Text-to-SQL提供动作级训练信号。

推荐理由：执行正确性通常只给整条轨迹奖励；SERL-SQL用训练期教师重评学生动作，把SQL成败归因到具体决策，能更有效训练多轮数据库智能体。