Knowledge Distillation
知识蒸馏
知识蒸馏让较小的“学生模型”学习“教师模型”的信号。训练时通常会同时使用教师分数和正确标签。
另一个例子
边缘机器学习工程师使用两百万句话训练学生模型。数据包含教师分数和标签。学生模型保留测得的意图识别质量，也符合手机速度限制。只压缩文件或量化，不算知识蒸馏。
主要部分
- 01teacher 模型
- 02student 模型
- 03蒸馏目标函数
什么时候用
要把教师模型测过的行为教给较小的学生模型时，可以使用这个词。
什么时候不要用
不要以为学生模型会继承教师模型的所有能力或安全特性。
代码里的名称
teacher logits → student loss 上线前要检查
检查模型与提示词版本、参考数据、有版本号的评估集与指标。验证答案能否连回来源证据，也要检查工具权限与隐私。再检查常见失败、拒答、安全备用做法与人工复核。也要检查监控、成本、速度与恢复方式。
预期结果：使用或评估 知识蒸馏 (Knowledge Distillation)，让 AI 行为可以衡量，也能连回证据。 用户场景：边缘机器学习工程师使用两百万句话训练学生模型。数据包含教师分数和标签。学生模型保留测得的意图识别质量，也符合手机速度限制。只压缩文件或量化，不算知识蒸馏。 AI 方法或概念：知识蒸馏 (Knowledge Distillation)。 适用理由：要把教师模型测过的行为教给较小的学生模型时，可以使用这个词。 不应使用的情况：不要以为学生模型会继承教师模型的所有能力或安全特性。 AI 要求：定义输入与参考证据。设置模型和工具权限。使用有版本号的评估数据与指标。说明失败、拒答、隐私、速度与成本限制。 运营防护：保留可查询记录，并隐藏其中的敏感数据。提供用户看得懂的安全备用做法。标出必须由人工复核的步骤，并定义模型或提示词的恢复方式。 验收标准：在有版本号的评估集上记录当前基线与目标。测试边界案例与恶意输入。验证安全备用做法、监控、权限与恢复方式。 证据与限制（证据边界）：没有一份官方标准能涵盖全部内容。不同团队、平台或框架的用法可能不同。 待确认：目标任务、模型与版本、评估负责人、参考数据、风险阈值、工具权限，以及生产环境的安全备用做法。
检查这份需求
请 AI 编程助手检查当前如何使用 知识蒸馏 (Knowledge Distillation)。 定义：知识蒸馏让较小的“学生模型”学习“教师模型”的信号。训练时通常会同时使用教师分数和正确标签。 生产环境检查：检查模型与提示词版本、参考数据、有版本号的评估集与指标。验证答案能否连回来源证据，也要检查工具权限与隐私。再检查常见失败、拒答、安全备用做法与人工复核。也要检查监控、成本、速度与恢复方式。 修改程序前，先列出看到的证据、缺口、严重程度，以及最小且安全的修正。