大模型蒸馏（Model Distillation）是一种知识迁移技术，旨在将一个大型、复杂、高性能的“教师模型”（Teacher Model）的知识，迁移到一个更小、更高效、更适合部署的“学生模型”（Student Model）中。其核心思想是让学生模型学习教师模型的“行为模式”而非仅仅学习原始数据标签，从而在保持较高性能的同时大幅降低计算和存储成本。一、核心原理蒸馏的本质是知识迁移，而非简单的模型压缩。其核心在于利用教师模型提供的软标签（Soft Labels）作为更丰富的监督信号，替代传统训练中仅使用的硬标签（Hard Labels）。 硬标签 vs. 软标签 1）硬标签：原始数据中提供的单一类别标签（如“猫”=1，“狗”=0）。信息量有限，仅包含“正确答案”。
2）软标签：教师模型输出的概率分布（如“猫”=0.9， “狗”=0.08， “鸟”=0.02）。它不仅包含正确答案，还隐含了：① 类别间的相对关系（如“猫”和“狗”比“鸟”更相似）；② 模型对样本的不确定性（如概率分布越分散，模型越不确定）；③ “暗知识”（Dark Knowledge）：教师模型从海量数据中学到的隐含模式。温度系数（Temperature Scaling） 其中 zi是指教师模型输出的 logits（未归一化的对数概率）。T是指温度参数（T>1时分布更平滑，T=1时为原始分布）。当高温时（T≫1）概率分布更平滑，类别间差异减小，暗知识更显著。当低温时（T→0）：概率分布趋近于硬标签（one-hot）。二、蒸馏流程蒸馏过程分为两个阶段：教师模型训练和学生模型蒸馏。 阶段1：训练教师模型1）使用大规模数据和复杂架构（如Transformer）训练一个高性能教师模型。2）教师模型需达到任务要求的最高精度（如Qwen3-32B）。阶段2：蒸馏学生模型学生模型通过联合损失函数进行训练，同时学习教师模型的软标签和真实数据的硬标签： 1）输入数据：将相同输入x同时送入教师模型和学生模型。三、关键技术细节学生模型架构设计 1）学生模型通常比教师模型更浅、更窄（如层数减少、隐藏层维度缩小）。2）常见架构：小型Transformer（如DistilBERT）、MobileNet、知识蒸馏专用网络（如TinyBERT）。蒸馏目标扩展 1）中间层蒸馏：不仅迁移输出层知识，还迁移教师模型的中间层特征（如隐藏状态、注意力分布）。例如：让学生模型的某层输出拟合教师模型对应层的输出。2）关系知识蒸馏（RKD）：迁移样本间关系（如距离、角度），而非单个样本的知识。在线蒸馏（Online Distillation） 无需预训练教师模型，多个学生模型互为教师，在训练中互相学习（如Deep Mutual Learning）。它的优势是，避免教师模型偏差，适合无标签数据场景。数据增强与迁移 1）使用无标签数据进行蒸馏（教师模型生成伪标签）。 | 
