RLinf上新STEAM算法

pi*0.6 RECAP没解决的问题，被STEAM解决了

清华于超老师团队联合正行创新(Striding Al)、无问芯穹(Infinigence Al)提出了STEAM算法， 正是为解决这个问题而生。STEAM 的核心想法是：从专家演示的时间顺序中自监督学习帧级进展信号，再用这个信号为专家数据、机器人 rollout 和人工纠正数据逐帧打分。它不需要手工奖励，不需要人类逐帧标注，也不依赖外部价值模型来判断每一帧好不好。它学习的是更基础的东西：在一个任务中，两帧之间是否发生了真正的局部进展。

详细请见 https://mp.weixin.qq.com/s/RN9CKziSdxT0o9VJ0nx7rg