1. 大模型的知识蒸馏

你刚买了最新的 iPhone，兴奋地想要在手机上运行 GPT、Qwen、DeepSeek 等主流大模型。

然而现实却给了你一记重锤——即使是最强的手机芯片，也根本跑不动那个拥有 1750 亿参数的庞然大物。

1.1. 能不能让小模型拥有大模型的智慧？这就是知识蒸馏要解决的问题

这就像武功传承一样——让高手（大模型）把经验传授给徒弟（小模型）。这篇文章会告诉你：

• 为什么大模型的“谦虚”比“自信”更有价值？
• 小模型如何学习大模型的思考过程？

2. 模型温度：让模型“说出真心话”

2.1. 模型的温度参数（Temperature）是什么？

2.1.1. 从一个翻译例子说起

研究人员训练了一个超大的翻译模型，翻译质量接近人类专业译者。

当他们要把“我很饿”翻译成英文时，模型给出了标准答案：“I am hungry”。

但是，当研究人员深入查看模型内部时，发现了一个有趣的现象。模型的“内心独白”其实是这样的：

输入：“我很饿”

模型的思考过程：

• “I am hungry”（最佳翻译）- 85%
• “I’m hungry”（口语化）- 12%
• “I feel hungry”（更正式）- 2%
• “I am starving”（更强烈）- 1%

你看，这个大模型不只是知道标准答案，它还理解了语言的细微差别：什么时候用缩写，什么时候用正式表达，甚至知道“饿”的不同程度。

这些概率分布包含了模型对语言的深层理解。

2.1.2. 温度参数（Temperature）：控制模型“谦虚”程度的开关

如何让模型把这些宝贵的“内心想法”表达出来？这就是温度参数发挥作用的地方。

在实际操作中，我们用一个叫“温度”（Temperature）的参数来控制模型输出概率分布的“平滑程度”。

• 低温度（T=0.5）：模型很“自信”，输出：[98%, 2%, 0%, 0%] - 几乎只关注最优答案
• 标准温度（T=1）：模型自然表达，输出：[85%, 12%, 2%, 1%] - 保留完整的概率分布
• 高温度（T=5）：模型变“谦虚”，输出：[39%, 26%, 18%, 16%] - 承认其他可能性

2.1.3. 为什么“谦虚”的模型更有价值？

这就像问一个翻译专家：“这句话怎么翻译？”

自信的专家（低温度）：“I am hungry！就这样翻译！” → 学生只学到了答案，没学到思考过程

谦虚的专家（高温度）：“主要是 ‘I am hungry’，不过口语中也可以说 ‘I’m hungry’，如果想表达更强烈的饥饿感可以用 ‘I’m starving’，正式场合可能更适合 ‘I feel hungry’……” → 学生不仅学到了答案，还学到了语言的微妙差别和使用场景

温度参数本质上是在控制模型“教学”的方式。高温度让模型变成一个好老师，不仅给出答案，还解释为什么这样回答，什么情况下可以有其他选择。

这种“谦虚”的概率分布包含了模型的核心智慧，正是知识蒸馏技术想要传递给小模型的宝贵知识。

3. 知识蒸馏：让小模型“偷师学艺”

3.1. 知识蒸馏（Knowledge Distillation）如何让小模型“偷师学艺”？

知识蒸馏的巧妙之处在于，让小模型不只学习答案，更要学习大模型的“思考过程”。

还是刚才的例子。

大模型（老师）：“我很饿”应该翻译成：

• “I am hungry” - 85%
• “I’m hungry” - 12%
• “I feel hungry” - 2%
• “I am starving” - 1%

小模型（学生）：我不只要学会输出 “I am hungry”，还要理解为什么其他翻译也有一定可能性，以及它们之间的微妙区别。

这样训练出来的小模型，就能在遇到“我饿死了”时，知道应该选择更强烈的表达 “I’m starving”。

3.2. 知识蒸馏（Knowledge Distillation）的训练过程是什么？

知识蒸馏的训练分为两个阶段：

3.2.1. 第一阶段：训练老师

用海量数据训练一个大而强的翻译模型，不在乎模型大小和推理速度，只追求翻译质量。

3.2.2. 第二阶段：老师教学生

• 给老师和学生看同一个中文句子
• 老师输出“软”概率分布（包含多种翻译可能性）
• 学生不只学标准答案，更学老师的概率分布
• 逐渐让学生的思考方式接近老师

这个过程就像一个经验丰富的译者在指导新手：

• 不只告诉你怎么翻译；
• 还告诉你为什么这样翻译；
• 什么情况下可以有其他选择。