清华提出动作级在线蒸馏方法ActionOPD

2026年10月31日，机器之心报道清华大学研究团队提出动作级在线蒸馏方法 ActionOPD（Action-level On-Policy Distillation）。据该报道，该方法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，从而无需教师 Token log-prob 或同源 Tokenizer；报道称其目的是让 Agent 学决策而非抄 Token，并在规避状态分布偏移的同时实现教师决策监督与学生 Token 表达的彻底解耦。报道还称，目前代码与模型权重均已开源，可通过项目主页与 GitHub 仓库了解细节。上述开源范围与获取方式均以该报道所述为限。

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。