在多轮工具调用与复杂环境交互中，大语言模型正加速以 Agent 形态落地。受限于前沿大模型高昂的推理成本，如何将其决策能力迁移至轻量级模型，成为当前 Agent 研究的重要课题。
然而，不同于单轮文本生成，Agent 的每一步输出都会改变环境状态并影响后续轨迹，这引出了两个基本问题：
1. 在什么状态监督？是在教师走出的预设轨迹上，还是在学生实际遇到的状态上？
2. 以什么粒度对齐？是逐 Token 拟合词表分布，还是在更高层的 “动作语义” 上对齐决策？
围绕这两个问题，清华大学研究团队提出了ActionOPD（Action-level On-Policy Distillation）：在学生实际访问的状态下，以高层 “语义动作” 作为监督单元，在规避状态分布偏移的同时，实现了教师决策监督与学生 Token 表达的彻底解耦。
- 论文标题：ActionOPD: Distilling Decisions, Not Tokens
- 作者团队：清华大学 Huining Yuan*、Xiangmin Yi*、Zelai Xu、Zixu Wang、Xinlei Chen、Xiao-Ping Zhang†、Yu Wang†、Chao Yu†
- 论文链接：https://arxiv.org/abs/2610.19820
- 项目主页：https://thu-nics.github.io/ActionOPD/
- 开源代码：https://github.com/thu-nics/ActionOPD
- 模型权重：https://huggingface.co/collections/nics-efc/actionopd
一、从 “逐字模仿” 到 “决策对齐”：
为什么 Token 级蒸馏存在局限？
审视当前主流的两类 Agent 蒸馏范式（图 1），二者在多轮交互中各有掣肘：
- 离线知识蒸馏（KD/SFT）：在教师轨迹上逐 Token 模仿。因训练未覆盖失误状态，学生测试时一旦偏离预设轨迹，便会因状态分布偏移而性能骤降。
- Token 级在线策略蒸馏（Token-level OPD）：在学生采样轨迹上对齐教师 Token 分布。虽缓解了状态偏移，却强依赖教师白盒 log-prob 与同源 Tokenizer，难以用于黑盒或跨家族蒸馏，且仍强求逐字模仿教师推理。
图 1：Agent 蒸馏范式对比。离线 KD 在教师轨迹上模仿 Token；Token 级 OPD 在学生轨迹上对比 Token 分布；ActionOPD 则在学生访问状态上直接奖励与教师动作 “语义一致” 的回复。
归根结底，上述两类方法的监督仍主要落在 Token 层面。然而，ActionOPD的核心洞察在于：多轮交互中真正推动环境状态转移的是 “语义动作”，而非具体 Token 序列。Agent 单步输出包含内部推理与外部动作：内部推理不直接作用于环境；外部动作无论是工具调用（取决于函数与参数语义）还是用户回复（取决于沟通意图与核心事实），均存在多种等价表达。例如，“基础经济舱不能改签” 与 “这类机票不支持变更” 措辞不同，但表达的限制一致。因此，若想让学生在决策层面而非字面表达上对齐教师，蒸馏目标就不应是拟合特定 Token 序列，而是最大化学生在当前状态下做出教师同义动作的整体概率。
二、ActionOPD 方法揭秘：
把动作语义一致性变成强化学习奖励
2.1 从动作似然自然导出策略梯度
确立 “对齐动作而非 Token” 的目标后，核心问题随之而来：当高层语义动作不再对应唯一固定的 Token 序列时，如何优化这一动作级概率？
在语言模型中，同一语义动作可由多种推理路径与措辞实现，故学生做出某语义动作的总概率，等于所有能表达该语义的回复序列概率之和。尽管直接遍历求和并不现实，论文在理论上证明了一个简洁的等价关系：在学生实际访问的状态下，对 “期望教师动作似然” 求梯度，可严密转化为经典的 REINFORCE 策略梯度 —— 其中，“学生回复与教师动作是否语义一致” 恰好充当策略优化的奖励信号，且可通过有限采样高效估计。
这一性质带来两个直接优势：
1. 纯黑盒接口与跨家族兼容：只需从教师和学生分别采样回复，判断其中动作是否语义等价，即可构造蒸馏奖励，无需教师 Token log-prob 或同源 Tokenizer。
2. 动作监督与自主推理解耦：动作级奖励统一加权单步生成的所有 Token，直接强化学生自主生成的推理链与动作表达，无需逐字模仿教师思维链。
2.2 State-Group Rollout 与策略更新
如图 2 所示，为将上述理论落地到多轮训练，ActionOPD 设计了State-Group Rollout（状态组采样）机制：
1.并行采样师生动作：在每个访问状态并行采样多个教师动作与一组学生候选回复。
2. 动作级语义匹配打分：忽略内部思维链，仅提取外部动作比对语义 ——工具调用通过参数规范化判别操作语义，用户回复则由 LLM 比对沟通意图与关键事实。命中教师采样即获基础正奖励，匹配多个教师样本则获小幅频次加成，非法输出受负向惩罚。
3. 环境推进与策略更新分工：推进环境时仅提交执行组内最高分动作，借教师偏好引导学生探索更有信息量的状态；更新参数时则复用组内全部候选计算归一化相对优势，通过 PPO 风格裁剪目标更新学生权重。
图 2：单状态下的 ActionOPD 流程。学生候选与教师采样集进行语义匹配打分；最高分动作被提交执行以推进环境，组内全部候选均用于更新策略。
三、实验结果：
跨基准泛化、跨家族蒸馏与真实案例
这种 “学决策而非抄 Token” 的范式效果如何？研究团队从跨基准与跨家族泛化、同族蒸馏受控对比及真实交互案例三个维度进行了验证。
图 3：ActionOPD 的 Student–teacher scaling 特性。
表 1：跨基准零样本迁移表现（%），绿色上标为相对同尺寸 Base 的平均提升。
- 四大未见基准全面提升与跨家族扩展：研究团队在 AWM 与 EnvScaler 上，分别以同族的Qwen3.7-Flash与异构的DeepSeek-V4-Flash为教师，对Qwen3-4B/8B进行蒸馏训练。如图 3 与表 1 所示，四组配置在四个未见基准上的零样本泛化表现均较 Base 大幅度提升，并呈现出清晰的双向扩展规律：一方面，8B 学生始终优于 4B；另一方面，决策能力更强的异构教师DeepSeek-V4-Flash在两个学生尺寸上均蒸出了高于同族教师的表现，证明 ActionOPD 能打破词表限制，让教师选择聚焦于决策质量而非架构同源性。
- 对比离线 KD 与 Token 级 OPD：如表 2 所示，在 τ²-bench 同族受控实验中（以 Qwen3-32B 蒸馏 Qwen3-4B），ActionOPD无需教师 Token 概率，便取得了与 KD/OPD 基线相媲美的表现：测试集单次成功率 pass¹ 较 Base 大幅提升10.8 个百分点，领先于两类基线；四次全成功率 pass⁴ 也较 Base 接近翻倍，虽略逊于直接约束 Token 分布的基线，但换来了仅需黑盒文本接口、天然支持跨家族蒸馏的高灵活性。
表 2：τ²-bench 蒸馏方法对比（单次成功率 pass¹ / 四次全成功率 pass⁴，%)。
- 真实交互轨迹的行为改进：除指标提升外，训练前后的轨迹对比展现出三类典型的行为模式蜕变，印证了动作级蒸馏对决策策略的实质优化：
1.遵守业务规则约束：航空场景中面对禁改的基础经济舱，Base 仍盲目调用 API 违规改签，ActionOPD 则能严守规则并合规转接人工；
2.准确区分信息源与操作目标：零售场景中需从历史订单提取地址以修改当前订单，Base 混淆源与目标订单导致漏改，ActionOPD 则准确完成 “查源地址 → 改目标订单” 链路；
3.补全操作闭环与结果核验：电信场景中缴费后不会自动复机，Base 仅口头承诺恢复却漏调工具，ActionOPD 则主动调用 resume_line 复机并指导用户核验 SIM 卡。
四、Self-ActionOPD：
利用特权上下文实现同模型自蒸馏
既然 ActionOPD 只要求对齐外部动作语义、不强求模仿内部思维链，这自然引出一个设想：若没有更强的外部教师，同一个模型能否借助 “信息差” 实现自蒸馏？
在Self-ActionOPD中，同一个Qwen3-4B兼任师生：教师端额外输入未公开的用户目标、隐含规则与参考动作提示等特权上下文，学生端仅接收公开上下文。由于仅对齐外部动作，学生无需模仿教师基于特权信息的内部推理，而是直接学习在公开上下文下做出与 “开卷教师” 一致的决策。训练后撤除特权信息，仅凭公开上下文独立测试。
表 3：Self-ActionOPD 在 τ²-bench 上的实验结果（%)。
如表 3 所示，自蒸馏后的 Qwen3-4B 测试集pass¹ 提升 4.8 个百分点、pass⁴ 提升 2.5 个百分点，三个子领域全面增长，表明模型能将 “特权视角” 下的高质量决策内化为常态能力，为探索 Agent 自我进化提供了可行路径。
五、总结与展望
围绕 “学决策而非抄 Token” 的理念，ActionOPD将期望教师动作似然转化为带语义奖励的在线策略优化，仅凭黑盒文本接口即可打通跨家族在线蒸馏与同模型自蒸馏。未来，如何结合环境验证信号过滤教师失误、降低复杂动作匹配误差，以及在多合理路径状态中提升采样覆盖率，仍是值得深挖的方向。目前代码与模型权重均已开源，欢迎访问项目主页与 GitHub 仓库了解更多细节。
