知识蒸馏降本复盘：用 70B 教师模型训练 7B 学生模型的全流程

一、算力诅咒的解法：70B 模型的效果，7B 模型的成本

业务侧使用 Llama-3-70B 构建的智能客服系统，在回答质量上获得了业务方的高度认可（人工评估满意度 91%）。但每月 85 万的推理成本让预算难以持续。降本诉求明确：将推理成本降到每月 15 万以内，同时保持回答质量不低于当前的 85% 水平。

一个直接的思路是切换到 7B 或 13B 模型。但直接部署开源的 7B 模型，在业务方的内部测试集上满意度骤降至 62%，根本不可用。知识蒸馏（Knowledge Distillation）提供了另一条路径：利用 70B 模型的输出作为"软标签"来训练 7B 模型，使得小模型学会模仿大模型的输出分布。

二、蒸馏数据构建与损失函数设计

蒸馏的质量高度依赖教师模型生成的训练数据质量。简单地用 70B 模型批量生成 QA 对是不够的——教师模型自身的错误会被传递到学生模型。引入了"多轮过滤"机制：

# 知识蒸馏数据生成 —— 多轮过滤确保训练数据质量 class DistillationDatasetBuilder: def __init__(self, teacher_model, diversity_threshold: float = 0.85): self.teacher = teacher_model self.diversity_threshold = diversity_threshold self.seen_embeddings = [] # 已生成样本的嵌入，用于多样性过滤 def generate_qa_pair(self, seed_question: str) -> dict: """ 生成一条蒸馏训练样本： 1. 教师模型生成答案 2. 教师模型自评分（一致性检查） 3. 多样性过滤 4. 只保留高评分 + 高多样性的样本 """ # Step 1: 教师模型生成 Top-K 候选答案 candidates = self.teacher.generate( seed_question, num_return_sequences=5, # 生成 5 个候选 temperature=0.8, # 适中温度，兼顾多样性和质量 ) # Step 2: 教师模型自评一致性 —— 用同一个问题问两次，看答案是否一致 answer1 = self.teacher.generate(seed_question, temperature=0.3) answer2 = self.teacher.generate(seed_question, temperature=0.3) consistency_score = compute_semantic_similarity(answer1, answer2) # Step 3: 多样性检查 —— 避免蒸馏数据过于单一 answer_emb = self._embed(candidates[0].text) if self._is_too_similar(answer_emb): return None # 丢弃，避免学生模型过拟合到重复模式 # Step 4: 保留高评分样本 if consistency_score < 0.8: return None # 教师模型自己都不确定，不纳入训练 return { "question": seed_question, "teacher_answer": candidates[0].text, "teacher_logits": candidates[0].logits, # 软标签 "consistency": consistency_score }

蒸馏的核心损失函数：KL 散度 + 任务损失：

# 蒸馏损失函数 —— KL 散度（软标签） + 交叉熵（硬标签） def distillation_loss( student_logits: torch.Tensor, # 学生模型的输出 logits teacher_logits: torch.Tensor, # 教师模型的输出 logits（软标签） labels: torch.Tensor, # 真实标签（硬标签） temperature: float = 4.0, # 蒸馏温度（越高分布越平滑） alpha: float = 0.7, # 软标签权重 ) -> torch.Tensor: """ 总损失 = α × KL_div(软标签) + (1-α) × CE(硬标签) 温度参数 T 的作用： - T 越高，教师输出的概率分布越平滑（类间差异变小） - 平滑分布能传递更多的"类间关系"知识 - 实验发现 T=4 在 70B→7B 蒸馏中效果最佳 """ # KL 散度损失：让学生输出的平滑分布模仿教师的平滑分布 soft_student = F.log_softmax(student_logits / temperature, dim=-1) soft_teacher = F.softmax(teacher_logits / temperature, dim=-1) kl_loss = F.kl_div(soft_student, soft_teacher, reduction='batchmean') # 恢复温度对梯度的影响（梯度缩放因子） kl_loss = kl_loss * (temperature ** 2) # 硬标签损失：经典交叉熵，防止学生模型完全偏离正确答案 ce_loss = F.cross_entropy(student_logits, labels) return alpha * kl_loss + (1 - alpha) * ce_loss

三、实验数据与蒸馏效果

蒸馏训练配置：50 万条蒸馏数据，LoRA（rank=64）微调，单张 A100 训练 18 小时。

最显著的提升出现在数学推理（+16.1）和业务满意度（+25%）上。这说明教师模型传递的不仅仅是"正确答案是什么"，更多的是"从问题到答案的推理路径"——这正是 KL 散度损失捕获的内容。

四、蒸馏的适用边界

蒸馏方案不是通用银弹，有几个明确的边界条件：

1. 教师模型必须足够强：如果教师模型本身表现一般（<80% 满意度），蒸馏的效果边际递减；
2. 蒸馏数据量有"甜点"：从 10 万条提升到 50 万条，业务满意度从 78% 提升到 87%；再加到 100 万条，仅提升到 87.5%。投入产出比在 50 万条附近收敛；
3. 创意生成类任务蒸馏困难：对于创意写作、诗歌等开放式任务，教师模型的输出多样性本身就不高，蒸馏会进一步压缩多样性。

五、总结

知识蒸馏降本的核心经验：

1. 蒸馏效果增量远大于直接微调：7B 底座模型的满意度 62%，SFT 微调可达 72%，蒸馏可达 87%。蒸馏的相对收益（+25%）是 SFT 的两倍以上；
2. 教师数据质量 > 蒸馏数据量：多轮过滤（自评一致性 + 多样性检查）丢失了约 40% 的候选数据，但提升了蒸馏效果 8~12 个百分点。宁可少用高质量数据，也不要用海量低质量数据；
3. 蒸馏是最"便宜"的降本手段：相较模型量化（精度有损）、投机解码（架构改造大），知识蒸馏只需训练成本投入，不需要修改推理引擎，上线风险最低；
4. α=0.7 是经验上的最优软硬标签平衡点：α 过低（<0.5）蒸馏失去了软标签的"类间知识"传递效果；α 过高（>0.9）可能忽视硬标签的正确引导。

适用场景：推荐在 70B→13B/7B 的蒸馏路径上使用。70B→1B 的蒸馏会导致精度退化不可接受（满意度降至 65% 以下）。