Distillation：让大模型“瘦身”的知识蒸馏术
知识蒸馏是一种将大型、复杂模型（教师模型）的知识迁移到小型、高效模型（学生模型）中的技术，通过模仿教师模型的输出或中间特征，使学生模型在保持较小体积的同时获得接近教师模型的性能。
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。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词法院AI应用是指人工智能技术在司法领域的落地实践，包括智能辅助办案、类案自动推送、裁判文书生成、庭审语音识别等，旨在提升审判效率与公平性，减轻法官事务性负担。
法院AI部署是指将语音识别、文书生成、类案推送等人工智能技术集成到法院办案流程中，旨在提升审判效率、降低人为差错，并推动司法透明化。近年来，各地智慧法院试点加速，AI从辅助工具逐渐嵌入核心业务环节。
法院AI训练指利用裁判文书、法律法规等数据，训练机器学习模型以辅助司法工作，如案件分类、证据分析、量刑建议等。它并非替代法官，而是通过技术手段提升效率与一致性，正成为智慧法院建设的核心环节。
法院AI仿真利用人工智能技术对法庭场景、审判程序、辩论逻辑进行数字化模拟，用于法律教学、案件预演、证据推演等场景，帮助法官、律师和法学院学生更直观地理解司法过程。
法院AI建模是指运用人工智能技术，尤其是大语言模型和机器学习算法，对案件的事实要素、法律条文和历史判例进行结构化建模，辅助法官完成证据审查、量刑参考和文书生成的技术方案。