清华提出 ActionOPD：动作级在线蒸馏让 Agent 学决策而非抄 Token

清华大学研究团队提出 ActionOPD（Action-level On-Policy Distillation），在学生实际访问的状态下以高层语义动作作为监督单元，把期望教师动作似然转化为带语义奖励的策略梯度，无需教师 Token log-prob 或同源 Tokenizer。