本次查询：模型蒸馏
中文解释：模型蒸馏
常见场景：模型压缩与部署 / 移动端 / 边缘设备AI应用 / 降低推理成本 / 知识迁移。
一句话解释
模型蒸馏是一种将大型、复杂模型（教师模型）的知识和决策能力，迁移到小型、高效模型（学生模型）中的技术，旨在让“小模型”学会“大模型”的本事。
为什么会被关注
随着大模型参数激增，其巨大的计算和存储需求阻碍了在手机、物联网设备等资源受限场景的部署。模型蒸馏提供了一种有效的解决方案，能在性能损失可控的前提下，让模型“瘦身”数十甚至数百倍，极大地推动了AI应用的普及和落地。
核心逻辑
其核心是“模仿学习”。教师模型不仅提供最终的“硬”答案（如分类标签），更重要的是提供包含丰富信息的“软标签”（即各类别的概率分布）。学生模型通过模仿这些更平滑、包含类间关系的软标签，以及教师模型的中间层特征，学习到比单纯使用原始数据标签更深刻、更泛化的知识表示。
常见场景
1. 移动端部署：将云端大模型蒸馏为可在手机APP中实时运行的轻量模型。
2. 工业质检：在算力有限的边缘设备上部署高效的缺陷检测模型。
3. 模型集成：将多个专家模型的知识蒸馏到一个统一模型中，简化部署。
4. 隐私保护：在本地设备上用蒸馏后的小模型处理敏感数据，避免上传云端。
容易混淆的点
模型蒸馏常与模型剪枝、量化等压缩技术并列，但本质不同。剪枝是“做减法”，直接移除网络中不重要的参数；量化是“换单位”，降低参数数值的精度。而蒸馏是“教知识”，通过训练过程传递知识，学生模型的结构可以与教师模型完全不同，是一种更灵活的知识迁移方法。