ActionOPD：动作级在线策略蒸馏方法

论文作者提出并发布 ActionOPD，一种面向语言模型 Agent 的动作级在线策略蒸馏方法。它不依赖教师的 token 概率，也不需要学生与教师共享分词器。 该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。作者称其动机是在学生遇到的状态上最大化教师动作的期望似然。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。