DeepSeek实战--蒸馏

1.什么是蒸馏 ?

知识蒸馏(Knowledge Distillation)最早由Hinton等人在2015年提出,主要用于压缩模型。

本质上也是微调的一种类型。传统微调是为了让大模型获取一些私域知识,比如股票、医疗等等,这是让大模型的知识面增加了,但没有改变大模型的能力。而蒸馏不一样,蒸馏不光教知识,还要教能力。所谓授之以鱼,不如授之以渔,蒸馏就是要让被训练的模型能够学会教师模型的能力。

教师模型 :参数量大、性能强,但计算成本高(比如:DeepSeek R1 满血版本)。
学生模型:结构更简单、参数量少,目标是尽可能复现教师模型的输出(比如:有思维链的小模型 )。

2.适用于哪些场景 ?

  • 降低部署成本:将千亿参数模型压缩到十亿甚至更小,适用于移动端、边缘设备。
  • 加速推理:小模型响应更快,适合实时应用(如聊天机器人)。
  • 减少能耗:适合资源受限的环境(如物联网设备)。
  • 领域适配:通过蒸馏将通用大模型的能力迁移到垂直领域的小模型。

3.示例:新闻分类

整体流程

1)第一步:准备原始数据

python 复制代码
新闻分类:《美国队长4》被调侃为《关云长4:周仓传》
新闻分类:特朗普与泽连斯基在白宫举行会谈时爆发激烈争吵
....

2)第二步:写prompt,让DeepSeek R1 将思考过程及结果都打印出来

python 复制代码
system = """
你是一个新闻分类器,擅长根据新闻标题识别新闻的类型,新闻种类包括:政治、经济、科技、娱乐、体育、教育、健康、国际、国内、社会。用户会在需要进行分类的新闻标题前加入"新闻分类:"字样,你需要给出该新闻的种类。要求包含思考过程和最终答案。


#要求格式:
<think>
思考过程(分步骤解释如何从给定信息中推导出答案)
</think>


答案(政治、经济、科技、娱乐、体育、教育、健康、国际、国内、社会中的某一种)


#示例1:
human: 新闻分类:给力!中国两次出手,美到手的订单黄了,该国从此只认中国制造!
gpt:
<think>
首先,我需要分析给出的新闻标题:"给力!中国两次出手,美到手的订单黄了,该国从此只认中国制造!"
接下来,根据标题内容进行分类。标题中提到了中国两次行动导致美国订单出现问题,并且其他国家开始依赖中国制造,说明这涉及国家之间的经济合作和社会影响。
结合新闻种类,考虑到涉及国际贸易和经济合作,最合适的分类是"经济"。所以,这条新闻应该归类到"经济"类别中。
</think>


经济
"""

3)第三步:写代码将 原始数据喂给 DeepSeek R1 ,并获取到思考过程及结果

python 复制代码
completion = client.chat.completions.create(
    model="deepseek-r1",
    messages=[
        {'role': 'system', 'content': system},
        {'role': 'user', 'content': '新闻分类:《美国队长4》被调侃为《关云长4:周仓传》'},
    ]
)


# 通过reasoning_content字段打印思考过程
print("<think>")
print(completion.choices[0].message.reasoning_content)
print("</think>")


# 通过content字段打印最终答案
print(completion.choices[0].message.content)

结果示例:

python 复制代码
<think>
首先,我需要分析用户提供的新闻标题:"《美国队长4》被调侃为《关云长4:周仓传》"。标题中提到了《美国队长4》,这是一部著名的超级英雄电影,属于娱乐产业的内容。此外,标题提到该电影被调侃为《关云长4:周仓传》,后者可能涉及对中国传统故事或影视作品的戏仿,这种调侃通常出现在娱乐新闻
中,用于吸引观众注意或制造话题。

接下来,考虑新闻分类的选项:政治、经济、科技、娱乐、体育、教育、健康、国际、国内、社会。这里的关键词是电影名称和调侃,明显与影视娱乐相关,没有涉及其他如经济、政治或科技的元素。因此,最合适的分类应为"娱乐"。
</think>

娱乐

4)第四步:生成教学数据,只需要再将这条教学数据包装成问答对的形式即可。格式如下:

python 复制代码
[
    {
        "conversations": [
            {
                "from": "human",
                "value": "新闻分类:《美国队长4》被调侃为《关云长4:周仓传》"
            },
            {
                "from": "gpt",
                "value": "<think>\n首先,我需要分析用户提供的新闻标题:"《美国队长4》被调侃为《关云长4:周仓传》"。标题中提到了《美国队长4》,这是一部著名的超级英雄电影,属于娱乐产业的内容。此外,标题提到该电影被调侃为《关云长4:周仓传》,后者可能涉及对中国传统故事或影视作品的戏仿,这种调侃通常出现在娱乐新闻中,用于吸引观众注意或制造话题。\n\n接下来,考虑新闻分类的选项:政治、经济、科技、娱乐、体育、教育、健康、国际、国内、社会。这里的关键词是电影名称和调侃,明显与影视娱乐相关,没有涉及其他如经济、政治或科技的元素。因此,最合适的分类应为"娱乐"\n</think>\n\n娱乐"
            }
        ]
    }
]

5)第五步:微调与测试

微调的方式,可以爬楼看一下,我以往教程

微调后,小模型也有了思维链、推理过程:

相关推荐
lypzcgf36 分钟前
Coze源码分析-资源库-删除提示词-前端源码
前端·typescript·react·ai应用·coze·coze源码分析·智能体平台
姚瑞南7 小时前
【AI产品思路】AI 原型设计工具横评:产品经理视角下的 v0、Bolt 与 Lovable
人工智能·经验分享·笔记·aigc·产品经理
孤狼程序员7 小时前
DeepSeek文献太多太杂?一招制胜:学术论文检索的“核心公式”与提问艺术
人工智能·文献搜索·deepseek
z千鑫10 小时前
【模型比对】Gemini 2.5 Pro 与 Claude Sonnet 4 结构化数据对比报告 + API KEY的使用教程
人工智能·gpt·ai·语言模型·aigc
AMiner:AI科研助手13 小时前
警惕!你和ChatGPT的对话,可能正在制造分布式妄想
人工智能·分布式·算法·chatgpt·deepseek
墨风如雪20 小时前
瑞士AI宣言:Apertus如何定义开放大模型
aigc
数说故事1 天前
数说故事 | 2025年运动相机数据报告,深挖主流品牌运营策略及行业趋势
大数据·人工智能·aigc·数说故事
算家计算1 天前
DeepSeek被曝年底推出AI智能体,下一代人机交互时代要来了?
人工智能·agent·deepseek
Kingsdesigner1 天前
PS大神级AI建模技巧!效率翻倍工作流,悄悄收藏!
人工智能·ui·adobe·aigc·ux·设计师·photoshop
AIGC小火龙果1 天前
AI代码管家:告别烂代码的自动化魔法
人工智能·经验分享·搜索引擎·自动化·aigc·ai编程