Knowledge Distillation
知識蒸餾
知識蒸餾讓較小的「學生模型」學習「教師模型」的訊號。訓練時通常會同時使用教師分數和正確標籤。
另一個例子
邊緣機器學習工程師使用兩百萬句話訓練學生模型。資料包含教師分數和標籤。學生模型保留量測到的意圖辨識品質，也符合手機速度限制。只壓縮檔案或量化，不算知識蒸餾。
主要部分
- 01teacher 模型
- 02student 模型
- 03蒸餾目標函數
什麼時候用
要把教師模型量測過的行為教給較小的學生模型時，可以使用這個詞。
什麼時候不要用
不要以為學生模型會繼承教師模型的所有能力或安全特性。
程式裡的名稱
teacher logits → student loss 上線前要檢查
檢查模型與提示詞版本、參考資料、有版本編號的評估集與指標。驗證答案能否連回來源證據，也要檢查工具權限與隱私。再檢查常見失敗、拒答、安全退路與人工覆核。也要檢查監控、成本、速度與回復方式。
預期成果：使用或評估 知識蒸餾 (Knowledge Distillation)，讓 AI 行為可以衡量，也能連回證據。 使用者情境：邊緣機器學習工程師使用兩百萬句話訓練學生模型。資料包含教師分數和標籤。學生模型保留量測到的意圖辨識品質，也符合手機速度限制。只壓縮檔案或量化，不算知識蒸餾。 AI 方法或概念：知識蒸餾 (Knowledge Distillation)。 適用理由：要把教師模型量測過的行為教給較小的學生模型時，可以使用這個詞。 不應使用的情況：不要以為學生模型會繼承教師模型的所有能力或安全特性。 AI 要求：定義輸入與參考證據。設定模型和工具權限。使用有版本編號的評估資料與指標。說明失敗、拒答、隱私、速度與成本限制。 營運防護：保留可查詢記錄，並隱藏其中的敏感資料。提供使用者看得懂的安全退路。標出必須由人員覆核的步驟，並定義模型或提示詞的回復方式。 驗收條件：在有版本編號的評估集上記錄目前基準與目標。測試邊界案例與惡意輸入。驗證安全退路、監控、權限與回復方式。 證據與限制（證據邊界）：沒有一份官方標準能管到全部內容。不同團隊、平台或框架的用法可能不同。 待確認：目標任務、模型與版本、評估負責人、參考資料、風險門檻、工具權限，以及正式環境的安全退路。
檢查這份需求
請 AI 程式助手檢查目前如何使用 知識蒸餾 (Knowledge Distillation)。 定義：知識蒸餾讓較小的「學生模型」學習「教師模型」的訊號。訓練時通常會同時使用教師分數和正確標籤。 正式環境檢查：檢查模型與提示詞版本、參考資料、有版本編號的評估集與指標。驗證答案能否連回來源證據，也要檢查工具權限與隱私。再檢查常見失敗、拒答、安全退路與人工覆核。也要檢查監控、成本、速度與回復方式。 修改程式前，先列出看到的證據、缺口、嚴重程度，以及最小且安全的修正。