ActionOPD：蒸馏决策而非 token，实现智能体动作级在线策略蒸馏

ActionOPD 提出一种动作级在线策略蒸馏方法，在学生的每个状态上从学生和黑盒教师分别采样动作，按语义一致性奖励学生动作，无需教师 token 概率或共享 tokenizer。用两个教师训练 Qwen3-4B 和 Qwen3-8B，在四个分布外基准上平均提升 3.3-6.9 个百分点，并在 τ²-bench 上媲美离线蒸馏与 token 级 OPD。