本次查询：Distillation
中文解释：知识蒸馏
常见场景：模型部署 / 边缘计算 / 移动端AI应用 / 资源受限环境
一句话解释
知识蒸馏是一种“大教小”的AI训练方法，让庞大复杂的教师模型将其学到的“知识”（表现为输出概率或特征表示）传授给更小巧的学生模型，使小模型能在资源有限的设备上实现近似大模型的性能。
为什么会被关注
随着大模型参数量激增，其部署成本高、推理速度慢的问题日益凸显。知识蒸馏能有效将大模型能力“浓缩”进小模型，满足手机、物联网设备等边缘侧对实时、低功耗AI的需求，是平衡性能与效率的关键技术。
核心逻辑
其核心在于学生模型并非仅学习原始的“硬标签”（如“这是一只猫”），而是学习教师模型输出的“软标签”（如“猫:0.85, 狗:0.12, 兔:0.03”）。这些软标签包含了类别间的关系和模型的不确定性等丰富信息，指导学生模型更细致地模仿教师模型的决策逻辑。
常见场景
1. 移动端部署：将云端百亿参数大模型蒸馏为几亿参数的手机端模型，实现离线语音助手、实时图像处理。
2. 工业质检：在算力有限的工厂边缘服务器上，运行蒸馏后的高精度缺陷检测模型。
3. 学术研究：用于构建高效的基准模型，或探究模型所学知识的可迁移性。
容易混淆的点
与模型剪枝/量化的区别：剪枝和量化是直接对原模型进行“物理”裁剪或数值精度降低，而蒸馏是训练一个全新的、结构可能不同的小模型来“继承”知识。
与迁移学习的区别：迁移学习通常指在一个任务上预训练的模型适应另一个任务；而蒸馏侧重于模型间知识的迁移，且师生模型通常解决相同的任务。