在今年1月末，DeepSeek再度抛出了一个重磅消息：“蒸馏小模型超越OpenAI o1-mini”。按官方公布数据，通过DeepSeek-R1的输出，蒸馏了6个小模型开源给社区，其中32B和70B模型在多项任务上表现与OpenAI o1-mini相当。
这一技术突破不仅让业界眼前一亮，更为开发者提供了一条低成本、高效率的模型优化路径：
将R1的推理能力蒸馏到小型模型中，比直接在这些小型模型上应用强化学习效果会更好。
要知道，蒸馏过程不需要对模型架构进行复杂修改，减少了开发成本，并且比从头训练一个同规模的模型要节省大量的计算资源。
如今，
开发者通过百度智能云千帆ModelBuilder，只需要3个小时，就能把强大的DeepSeek-R1模型知识蒸馏到轻量级模型中，让自己的AI应用性能大幅提升，成本还超低。
本文将深入解析如何利用百度智能云千帆ModelBuilder完成全流程的模型蒸馏能力，并通过实战展示DeepSeek-R1蒸馏再训练轻量级模型ERNIE Speed的过程和效果。
在深入实战之前，我们先来聊聊模型蒸馏（
Model Distillation）。
什么是模型蒸馏（Model Distillation）技术？
通俗来讲，模型蒸馏就是让一个效果较好的、庞大“教师模型”，将知识“传授”给一个较小的“学生模型”的训练，使得学生模型在参数量和计算复杂度较低的情况下，尽可能接近甚至超越教师模型的效果。
千帆ModelBuilder模型蒸馏原理
选择“数学竞赛”，使用千帆ModelBuilder一键蒸馏DeepSeek-R1
为什么选择数学竞赛？
原因很简单：
一，数学问题通常具有唯一的正确答案，便于直接对比模型输出，评估其准确性。
二，数学题的解题过程能清晰地展示模型的“思考”路径，帮助判断模型是否真正掌握了关键推理能力。
在这个场景下，我们选取百度自主研发的轻量级大模型ERNIE Speed作为学生模型，通过公开数据集GSM8K和SCQ5K进行了测试。
蒸馏前后模型效果：
蒸馏前模型的数学解题能力表现一般，在GSM8K、SCQ5K数据集上的表现分别为84%和55%。然而，蒸馏后的模型在GSM8K和SCQ5K上分别达到95%和81%。可以看出，
蒸馏后的模型可基本追平DeepSeek-R1，并且超过OpenAI o3-mini。
通过对比，可以看出，
蒸馏后的模型在思考能力和推理深度上有了显著提升。
在结果精准性方面，蒸馏后的ERNIE Speed与“老师”DeepSeek-R1在效果上基本打成平手，性能亦实现大幅提升。
在思考与推理方面，蒸馏后的ERNIE Speed部分保留了DeepSeek-R1模型长达数万字的反思与验证过程，在推理时能通过“深度思考”模式展现完整的推理路径，可对复杂问题进行深入、全面的分析。
基于千帆ModelBuilder的全流程工具链实现高效、低成本蒸馏
那么，要达成以上蒸馏效果，需要多长时间训练？
并且多少成本呢？
-
训练时长：仅需约3小时；
-
训练成本：最低仅需900元。
-
模型使用成本：蒸馏后的模型由于其更轻量，在部署时可使用更少的资源达到更高的QPS，大幅降低企业的模型使用成本。
通过百度智能云千帆ModelBuilder的全流程工具链，开发者仅需3小时就可以完成DeepSeek-R1的蒸馏，并将ERNIE Speed的性能提升至接近DeepSeek-R1的水平。
以下是具体操作步骤：
>>第一步-基于DeepSeek-R1萃取数据
：采样公开数据集s1及Math-Step-DPO的部分数据，使用千帆ModelBuilder预置的DeepSeek-R1 API进行推理，获取9000条原始数据 。为进一步提升数据质量，需要进一步筛选过滤掉过长数据、结果不准确数据，使用数据洞察与处理功能进行快捷筛选与处理，最终得到7701条高质量的SFT训练数据。
新增推理任务
数据洞察与处理功能
>>第二步-选择轻量模型精调
：千帆ModelBuilder预置了丰富的基础模型支持精调，但由于在复杂问题上思考数据长，因此选择ERNIE-Speed-Pro-128K模型进行SFT训练。在训练过程中本次训练迭代轮次设置为3，学习率设置为3e-5，序列长度设置为32768，保证训练效果。
创建训练任务
训练参数配置
