大模型"蒸馏"是什么？

论文《A Survey on Knowledge Distillation of Large Language Models》

https://arxiv.org/abs/2402.13116

这篇论文是干嘛的？

这篇论文是关于“知识蒸馏”（Knowledge Distillation，简称KD）在大型语言模型（Large Language Models，简称LLMs）中的应用。

简单来说，知识蒸馏就像是让一个“聪明的大老师”（比如GPT-4）教一个“普通的小学生”（比如开源模型LLaMA），把大模型的聪明才智传给小模型，让小模型也能变聪明，而且更省资源、更容易用。

论文的作者们想给大家讲清楚三件事：

1. 知识蒸馏怎么做 ：有哪些方法能把大模型的知识“蒸馏”出来，教给小模型？
2. 能教什么本领 ：小模型通过学习能掌握哪些具体的技能，比如理解上下文、写代码、回答问题？
3. 用在哪 ：这些“蒸馏”出来的小模型能在哪些领域发挥作用，比如医疗、法律、金融？

他们还特别提到了一种“数据增强”（Data Augmentation，简称DA）的技术，说它在知识蒸馏里特别重要，能让小模型学得更好。论文结构很清晰，分成了算法、技能和应用三个大块（这叫“三大支柱”），后面我会详细讲。

为什么要研究这个？

想象一下，GPT-4这样的“大模型”超级聪明，能写文章、回答问题、甚至帮你解决问题，但它有个问题：太大了，太贵了，不是每个人都能用得上。就像一台超级豪华跑车，性能强但耗油多、一般人开不起。而开源模型（比如LLaMA、Mistral）呢，虽然免费、灵活，但本事没那么大，就像一辆普通小轿车。

知识蒸馏的目标就是：让小轿车也能跑得快一点，至少能干点跑车能干的事。这样，大家就能用更便宜、更小巧的模型，享受AI的好处。论文里还提到，这种技术还能让开源模型自己教自己变得更强（自改进），或者把大模型压缩得更高效。

核心内容拆解

1. 知识蒸馏是什么？（§2 Overview）

知识蒸馏最早是用来把复杂的神经网络“压缩”成简单的小网络。比如原来一个大模型有几亿个参数，跑起来很费电脑，蒸馏后弄成一个小模型，参数少多了，但还能干差不多的事。

到了大型语言模型时代，知识蒸馏变得更高级了。现在不光是压缩模型，还要把大模型的“知识”和“能力”传给小模型。比如，GPT-4能写诗、推理、聊天，知识蒸馏就想让小模型也学会这些本事。

论文里提到，知识蒸馏有三个主要作用（见图1位置： Fig. 1: KD plays three key roles in LLMs ）：

• 提升能力 ：把大模型的本事传给小模型。
• 压缩模型 ：让大模型变小变快，但不丢本事。
• 自我改进 ：让小模型自己当老师，自己学着变强。

2. 数据增强（DA）和知识蒸馏的关系（§2.2）

数据增强听起来很高大上，其实就是“造数据”。以前的DA可能是把一句话改改意思，或者翻译一下再翻回来，增加点训练数据。但在大型语言模型里，DA变得更聪明了。

论文说，现在的DA是用大模型生成一大堆高质量的“教学材料”。比如，你给GPT-4一点点“种子知识”（比如几个问题和答案），它就能生成成千上万类似的问答对。这些数据不是随便乱造，而是针对特定技能（比如数学推理）或领域（比如医学）量身定做的。

有了这些数据，小模型就能拿来练习，学到大模型的本事。这就像给小学生准备了一堆精选练习题，比随便找点题做效果好多了。

3. 知识蒸馏的流程（§2.4）

论文给了个通用流程，告诉你怎么把大模型的知识传给小模型（见图4位置： Fig. 4: An illustration of a general pipeline to distill knowledge ）：

1. 挑目标 ：先决定教小模型什么，比如“学会写代码”或“懂法律”。
2. 给种子 ：给大模型一点“种子知识”（比如几个例子），让它知道从哪开始。
3. 生成教材 ：大模型根据种子知识，生成一大堆教学材料（比如问答对）。
4. 教学生 ：拿这些材料训练小模型，让它模仿大模型的本事。

这个流程简单来说就是：大模型先干活，产出“教材”，小模型再拿教材学。

4. 知识蒸馏的三大支柱

论文把知识蒸馏分成三大块（见图3位置： Fig. 3: Taxonomy of Knowledge Distillation of Large Language Models ）：

（1）算法（KD Algorithms，§3）

这是讲怎么“教”。论文分了两步：

• 知识怎么挖出来 （Knowledge，§3.1）：

• 标注（Labeling）