ExecCritic: Learn to Test, Test to Improve for Coding Agents

ExecCritic 让测试 agent 先在 fail-closed harness 中筛选并冻结测试，修复 agent 只能消费执行反馈，不能改写评判标准。SWE-bench Verified 上 Qwen 测试生成由 Base 的 22.2 提到 Gold 的 62.2，组合后的后训练 agent 达到 72.6%，比原始无测试基线高 11.4 个百分点。