ActionOPD：面向智能体蒸馏的动作级 on-policy 方法

Hugging Face 每日论文收录 ActionOPD，一种动作级 on-policy 蒸馏方法，在学生遇到的状态下同时采样学生与黑盒教师的动作，按语义一致性给学生动作奖励，通过策略优化对齐行为，无需复现教师推理文本或访问教师 token 概率。