ActionOPD：以动作级在线策略蒸馏替代 token 级监督

论文提出 ActionOPD，一种动作级在线策略蒸馏方法，在学生的状态上分别采样学生与黑盒教师的动作，按语义一致性奖励学生动作，从而对齐学生的动作级行为，无需教师 token 概率或共享分词器。