让策略在代码执行后继续学习：动作专属信用分配提升 Image-to-TikZ 渲染成功率

研究提出"执行后学习"框架，将程序执行结果作为中间状态，让同一策略在单次调用推理下获得额外的纠正性学习交互，并用动作专属信用分别给初始动作和纠正动作分配信用。在 Image-to-TikZ 的 945 个留出样本上，单次调用渲染成功率达 92.70%，高于继续单阶段 GRPO 训练相同迭代次数后的 88.25%。这种执行后纠正能力无法由继续单阶段训练复现，且依赖中间状态，代码已开源。