ActionOPD: Distilling Decisions, Not Tokens

ActionOPD 是一种基于语义动作的智能体知识蒸馏方法，通过在学生模型遇到的状态中采样动作并根据与教师模型动作的语义一致性进行奖励，实现行为对齐。该方法在不依赖教师模型推理内容或 token 概率的情况下，使 Qwen3-4B 和 Qwen3-8B 在四个分布外基准测试中平均提升 3.3-6.9 个百分点。