兄弟们，最近群里又有人问模型蒸馏的坑。说实话，这技术听着炫酷（大模型变小模型，推理快10倍），但实操起来翻车率贼高。🚨
**核心逻辑先捋清楚**：蒸馏不是简单“缩小”，而是让大模型（教师）输出软标签（概率分布），引导小模型（学生）学“逻辑”而非“答案”。常见误区是直接拿硬标签训练学生，那跟普通剪枝没区别，精度掉得妈都不认。
**实操警告**：
1️⃣ **温度参数是双刃剑**：T值设太高（>10）软标签变“白噪音”，学生学成傻子；T太低（<2）跟硬标签没差。建议从4开始调，看教师输出分布是否平滑。
2️⃣ **损失函数别瞎平衡**：蒸馏损失（KL散度）和硬标签CE损失的权重，我一般设0.7:0.3。但如果是分类任务，别忘了教师输出要先用softmax+温度缩放。
3️⃣ **学生架构要匹配**：别拿个3层MLP去蒸馏BERT，容量差太多直接欠拟合。建议学生至少保证教师1/3的参数量，或者用相同架构但减少层数。
**部署实测**：上周把7B的LLaMA蒸馏到1.5B，推理延迟从120ms降到35ms，但基准测试F1掉了5个点。后来发现是忘了做教师输出缓存，导致每次蒸馏都要跑前向传播，热得显卡冒烟🔥——建议先离线存好教师logits。
**最后抛个问题**：你们在蒸馏多模态模型（比如视觉语言模型）时，教师的不同模态输出怎么对齐？求硬核方案，别整“加权平均”那种糊弄事。👇 |
喧嚣卡
千斤顶
