搜尋

清華提出 ActionOPD：按動作語義線上蒸餾 Agent，無需教師 Token 機率

清華大學提出 ActionOPD，把 Agent 蒸餾從逐 Token 模仿改為在學生實際訪問狀態下對齊教師的語義動作。它只需師生各自取樣文字、判斷動作是否語義等價，無需教師 log-prob 或同源 Tokenizer，因而支援黑盒和跨家族蒸餾。在 τ²-bench 上用 Qwen3-32B 蒸餾 Qwen3-4B，pass¹ 較 Base 提升 10.8 個百分點，pass⁴ 接近翻倍，但略遜於直接約束 Token 分佈的基線；