原文地址:glumes.com/blog/ai/lar...
蒸馏技术,懂的都懂,老师讲过可以利用沸点差异来分离液体混合物。
在大模型里面也有"蒸馏技术",它的作用是将大型语言模型的知识转移到较小的模型中,提高性能的同时可以降低模型的大小以及计算资源需求。
大模型蒸馏技术本意是挺好的,但也可能存在滥用的情况。比如为了训练自家的小模型,但缺少了相关数据,就用市面上的开源模型服务来提取数据,这种事情就有真实发生过。
不过对于个人来说,是可以借鉴这种思路去"蒸馏"大模型,从中提取我们想要的内容。
比如,最近在给娃买玩具,有些早教机类的玩具可以教小朋友识字并且给出每个字的解释含义,就像下面这样的:
另外还有一些识字类的 APP 和早教机差不多,都是朗读每个字并给出汉字解释。
尽管对外表现形式不同,但背后的核心内容就还是文字的素材库,要有小朋友不同阶段要认识的汉字以及对应解释。
这种情况下,就完全可以去从大模型中蒸馏出这些素材,用元宝来举个例子:
通过合理的提示词就可以拿到这些内容,并且以 Json 的格式返回,方便后期程序化来处理这些结果。
假如要开发一款识字类的相关产品,也可以是唐诗宋词、名人名言类的产品,但是却没有这些素材,那完全可以从大模型中"蒸馏"出来。
想要程序化处理这些操作,可以使用 DeepSeek 给的 API 接口,在夜间跑服务去"蒸馏"数据,价格便宜一半多。
之前在朋友圈问 DeepSeek 的夜间 token 便宜这么多,能干啥好呢? 就像可以利用夜间网速快的特点,挂着下载服务自动下载。
有朋友说可以利用时差,把 DeepSeek 做成 APP 给老外用,这也是不错的点子,不过也可以夜间来程序化"蒸馏"数据啊,便宜实惠。
最后,不得不说,大模型一出,很多产品的开发逻辑都改变了,以前认为是壁垒的技术、素材,在某些场景都可以轻而易举的跨过了。