PR-OPD 用隐层自蒸馏改进 LLM Agent 强化学习，WebShop 准确率最高提升 14 分

佛罗里达大学等机构提出 PR-OPD，用隐层自蒸馏改进 LLM Agent 的强化学习训练。它在 GRPO 热启动后为每条轨迹写 hindsight skill，以带 skill 的自身作 stop-gradient 教师逐层对齐隐层状态，无需外部 skill 库或独立教师模型。