ActionOPD：面向语言模型Agent的动作级在线策略蒸馏

Huining Yuan 等在 arXiv 论文中提出 ActionOPD，一种面向语言模型智能体的动作级在线策略蒸馏方法：以最大化学生在其访问状态下教师语义行动的期望似然为目标，比较学生与黑盒教师的语义行动来优化学生策略，无需获取教师词元概率或复现教师推理链，也不要求师生共享模型家族或分词器。 据论文摘要，用两个教师在多样化精选工具使用任务上训练 Qwen3-4B 和 Qwen3-8B，在四个分布外基准上平均提升 3.3–6.9 个百分点。目前为论文作者报告的结果，尚无独立复现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。