Knowledge Distillation（知识蒸馏）

概念更新 2026-07-01置信度 high#概念#基础#蒸馏#后训练

用一个更强的“教师模型”去训练一个较小/较弱的“学生模型”，让学生模仿教师的行为——不仅是最终答案，更是教师对输出的概率判断。

是什么

Knowledge Distillation（KD）最早由 Hinton et al. (2015) 提出。核心思想是：

教师模型（Teacher）：一个已训练好的大模型，对输入 $x$ 输出概率分布 $p_\text{teacher}(y \mid x)$
学生模型（Student）：一个较小的模型，学习目标是 $p_\text{student}(y \mid x) \approx p_\text{teacher}(y \mid x)$

学生不仅学“正确答案是什么”，还学教师对不同答案的概率判断——这种隐藏在 softmax 输出中的细粒度信息被称为 dark knowledge（暗知识）。

Dark Knowledge 的直觉

普通 SFT 用 hard label 训练：

输入：法国首都是哪里？
标签：巴黎 ✓，其他 ✗

模型只知道“巴黎正确，其他都错”。

KD 中，教师给出 soft label（概率分布）：

巴黎：0.92
马赛：0.03
里昂：0.02
柏林：0.001

这告诉学生：

“巴黎”最对
“马赛/里昂”虽不对，但至少是法国城市，比“柏林”更接近
不同错误之间存在相似度层级——这就是 dark knowledge

为什么重要

模型压缩：将大模型能力迁移到小模型，降低推理成本
信息效率：soft label 比 hard label 包含更丰富的监督信号（ $O(V)$ vs $O(1)$ ， $V$ 为词表大小）
泛化提升：学生学到教师分布中的归纳偏置，往往比单独训练效果更好
能力迁移：将特定能力（数学、代码、安全、工具调用）从强模型蒸馏到弱模型

工作原理

三种主要蒸馏形式

1. Response-Level KD / Sequence-Level KD

教师先生成完整回答，学生用这些回答做 SFT。

Prompt: 解释一下牛顿第二定律
Teacher → "牛顿第二定律指出，物体的加速度与所受合外力成正比……"
Student → 用教师答案做 SFT

优点：简单、常用、不需要教师输出 logits 缺点：本质是“用教师数据做监督微调”，学生只看到最终答案，没学到推理过程

2. Logit KD / Token-Level KD

教师不仅给最终文本，还给每个 token 的概率分布。训练目标通常是最小化 KL 散度：

$L_\text{KD} = \text{KL}\left(p_\text{teacher} \lvert\rvert p_\text{student}\right) = \sum_v p_\text{teacher}(v \mid s_t) \log \frac{p_\text{teacher}(v \mid s_t)}{p_\text{student}(v \mid s_t)}$

这是 Forward KL：mean-seeking，推动学生覆盖教师的所有高概率模式。

优点：信息密度高，能传递完整分布缺点：需要教师 full logits（计算/存储成本高），师生 tokenizer 不同时麻烦

3. Reasoning Distillation

对于推理模型，蒸馏目标扩展为：

Chain-of-Thought 推理步骤
数学证明路径
代码推理过程
工具调用轨迹
Agent planning 过程

让小模型不仅学会答案，更学会“大模型是怎么一步步思考的”。

Forward KL vs Reverse KL

KL 方向	公式	性质	适用场景
Forward KL	$\text{KL}(p_\text{teacher} \lvert\rvert p_\text{student})$	Mean-seeking，覆盖教师所有模式	传统 logit distillation
Reverse KL	$\text{KL}(p_\text{student} \lvert\rvert p_\text{teacher})$	Mode-seeking，锁定单一模式	On-Policy Distillation，RL 结合

Reverse KL 的优势在于：只需教师对学生已采样 token 的 logprob，计算比 full distribution 便宜，且天然适合 policy-gradient 框架。但若学生从不采样教师想要的 token，reverse KL 难以“凭空教会”。

MiniLLM (Gu et al., 2023) 论证了 reverse KL 比 forward KL 更适合生成式 LLM 蒸馏，可缓解学生过度估计教师低概率区域的问题。

与相邻概念的区别

方法	学什么	信号形式	轨迹来源
SFT	人类/教师的标准答案	Hard label（固定文本）	教师或人类
KD	教师的概率分布/行为	Soft label（logits/logprobs）	教师或静态数据
RL (PPO/GRPO)	根据奖励优化行为	标量 reward（稀疏）	学生自己
OPD（On-Policy Distillation）	在学生轨迹上蒸馏教师	Token-level KD（密集）	学生自己
DMD（分布匹配蒸馏）	教师 score + fake score	分布匹配（密集）	学生自己

KD 与 SFT 的核心区别

SFT 教学生“答案是什么”；KD 教学生“老师是怎么判断的”。

KD 与 OPD 的关系

KD 是大类，OPD 是一种特殊的 on-policy KD：

普通 KD：教师生成答案 → 学生模仿教师答案（off-policy）
OPD：学生先自己生成答案 → 教师在学生的生成轨迹上给信号 → 学生学习（on-policy）

所以：KD 是蒸馏方法的总称，OPD 是在 on-policy 条件下做 KD 的一种具体方法。

历史与演进

Hinton et al. (2015)：提出 Knowledge Distillation 概念，引入 dark knowledge 和 temperature scaling
Sequence-Level KD (2019+)：用教师生成的数据做 SFT，广泛用于 LLM 预训练/deployment
MiniLLM (Gu et al., 2023)：论证 reverse KL 更适合生成式 LLM 蒸馏
On-Policy Distillation (2025)：Thinking Machines Lab 系统化研究，将 KD 与 on-policy 采样结合
DMD / DiffRO (2025-2026)：扩散/流匹配领域的分布蒸馏，token 级可微后训练

常见误解

❌ “KD 就是用小模型模仿大模型” → 这只是最常见的用法。KD 也可以用于同规模模型的知识迁移、能力恢复、多教师蒸馏等场景。
❌ “KD 一定比直接训练好” → 教师和学生能力差距太大时，KD 效果可能不如直接训练（学生“听不懂”教师）。
❌ “KD 和 SFT 是同一回事” → SFT 用 hard label，KD 用 soft label（概率分布）。信息量差 $O(V)$ vs $O(1)$ 。
❌ “Forward KL 和 Reverse KL 等价” → Forward KL 是 mean-seeking（覆盖所有模式），Reverse KL 是 mode-seeking（锁定单一模式）。在生成式任务中行为差异显著。