回复
一文搞懂 DeepSeek 的蒸馏技术和案例实践 原创
DeepSeek-R1 在其论文（https://arxiv.org/abs/2501.12948）引言部分指出，通过蒸馏技术，成功地将大模型的推理能力（比如：DeepSeek R1 671B）传递给了更小型化的模型（比如：Qwen 7B）。可以看出，蒸馏技术是 DeepSeek R1 重要的3大创新技术之一，下面详细剖析。
1、DeepSeek 蒸馏技术深度解读
蒸馏(Knowledge Distillation)是一种将大型复杂模型（教师模型，比如：D蒸馏(Knowledge Distillation)是一种将大型复杂模型（教师模型，比如：DeepSeek R1 671B）的知识迁移到小型高效模型（学生模型，比如：Qwen 7B）的技术。
蒸馏其核心目标是在保持模型性能的同时,显著降低模型的计算复杂度和存储需求,使其更适合在资源受限的环境中部署。
DeepSeek的蒸馏技术结合了数据蒸馏和模型蒸馏，通过教师模型（如DeepSeek R1）生成高质量的推理数据样本，对较小的学生模型（如Qwen、Llama系列）进行微调。
蒸馏过程中不依赖强化学习阶段，而是通过监督微调（SFT）实现高效的知识迁移。
蒸馏技术是否真的能让小型模型同样强大？事实证明，大型模型的推理模式可以通过蒸馏技术转移到小型模型中，这种方法相较于仅在小型模型上应用强化学习发现的推理模式，能够实现更卓越的性能表现。
第一、蒸馏技术的优势
•显著提升推理能力：通过从大模型中蒸馏知识，小模型在推理任务中的表现大幅提升，蒸馏后的模型在推理基准测试中表现出色，比如：DeepSeek-R1-Distill-Qwen-7B在 AIME 2024 上实现了55.5%的 Pass@1，超越了其他先进开源模型
•资源效率高：小模型在推理任务中表现出色，同时计算成本大幅降低，通过减少模型参数量（如从671B 到7B），显著降低了计算资源需求，提升了推理速度
•灵活性强：蒸馏技术可以应用于多种开源模型，具有广泛的适用性
第二、蒸馏技术的应用场景
•移动与边缘计算：蒸馏模型体积小巧，适合在资源受限的设备上运行，如智能摄像头、智能手表。
•在线推理服务：在电商推荐、智能问答系统中，蒸馏模型能够快速响应用户请求，提升用户体验。
•拓展应用场景：在医疗、金融、教育等领域，蒸馏模型将发挥更大作用，如疾病诊断、风险评估、个性化学习辅助等。
•多模态数据处理：开发更有效的信息融合和特征提取方法，提升蒸馏模型在多模态任务中的性能。
第三、DeepSeek 蒸馏技术4个核心步骤
步骤一、数据准备
•使用 DeepSeek R1 模型生成高质量的推理样本（约800k个样本）。
•这些样本用于后续的小模型微调，确保小模型能够学习到大模型的关键能力。
步骤二、模型选择
选择不同参数量的开源模型（如6个不同规模的模型）作为蒸馏目标。
•这些模型通过有监督微调（SFT）的方式进行训练。
步骤三、有监督微调（SFT）
•使用从 DeepSeek R1 蒸馏出的数据对小模型进行直接微调。
•通过这种方式，小模型能够显著提升在推理任务中的表现。
步骤四、性能评估
•在多个开源基准测试中评估蒸馏模型的性能，如 LiveCodeBench和 MATH-500。
•结果显示，蒸馏后的模型在推理任务中表现优异，甚至超越了一些大规模模型。
开源的 DeepSeek-R1 及其 API 将助力研究界在未来提炼出更优秀的小型模型。DeepSeek-R1 系列通过蒸馏得到的小型模型在多项基准测试中展现出显著优势，超越了先前开源的模型。特别是 DeepSeek-R1-Distill-Qwen-32B，其性能足以与 o1-mini 匹敌，而 DeepSeek 已向学术界开源了基于 Qwen2.5 和 Llama3 系列的不同参数规模的模型，包括 150亿、70亿、80亿、140亿、320亿 和 700亿参数的检查点。这一颠覆性的0-1技术创新，让硅谷的技术巨头们感到不安，因为这一创新已在全球技术人员的验证下，证实了基于 R1 论文方法可以成功蒸馏出与 o1-mini 性能相当的小型模型。再次向梁文峰大神致敬。
2、李飞飞50美金蒸馏 s1 案例实践
第一、拥有自己公司的 DeepSeek R1，李飞飞 50美金蒸馏出 s1 模型案例剖析
s1 是一个偏科的大模型，它解决数学问题的能力很强，但其他方面就稍弱，但不妨碍这套方面在企业的落地应用，因为企业就是要解决专业领域问题。与 s1 最接近的是 DeepSeek R1 的一系列蒸馏模型，蒸馏微调训练得到较小参数规模模型，参数从 1.5B 到 70B。
s1 使用 Google Gemin 蒸馏数据集得到，DeepSeek 蒸馏模型微调训练使用了 80W条数据，而 s1 只用了 1000条数据，这是算力成本低到50美金的原因。第一、这1000条数据是从58000条数据中精选出来的。第二、推理阶段引入了预算强制方法，强制设定思考过程的最大和最小长度，让 AI 在回答问题时不能想都不想就瞎蒙，也不能一直陷入私循环，这个方法简单，但有效提高了模型的推理性能。
每个公司都可以低成本拥有媲美 DeepSeek R1 的自己的 s1 大模型，仿照李飞飞教授精选 1000条左右专业领域高质量数据，注意包括推理过程的描述，也可以只准备问题，推理过程及结果数据通过大模型蒸馏得到。
实际上李飞飞所使用的数据集里面有相当一部分原本是有答案的，但是还是让 Gemini 重新生成了过程和答案，这个量级的数据对于任何一个企业来说都不太难。
去年中科院有个团队利用“百度弱智吧”的脑筋急转弯预料仅240条数据，就有效提高了模型的效果。
有了这些数据以后，就去微调训练 Qwen 32B 或者类似规模的模型，最后推理任务时，通过预算强制的方法限定推理长度，这就得到一个专属您企业的领域专家 DeepSeek R1 大模型。
第二、s1 蒸馏实施过程和效果
基于阿里通义千问 Qwen2.5-32B-Instruct 开源模型为底座，仅使用16块H100 GPU，通过26分钟的有监督微调，便打造出了性能卓越比肩 OpenAI 的 O1 和 DeepSeek 的 R1 等尖端推理模型的 s1-32B 模型。
这一模型不仅在数学及编码能力上与 OpenAI 的 o1 和 DeepSeek 的 R1 等顶尖推理模型相当，在竞赛数学问题上的表现更是比 o1-preview 高出27%。
不过，值得注意的是，虽然媒体报道中强调 s1 模型只要不到50美元成本，但 s1 模型的训练并非从零开始，而是基于阿里云通义千问（Qwen）模型进行监督微调。
这意味着，s1 模型的神奇“低成本”，是建立在已具备强大能力的通义千问开源基础模型“巨人肩膀”之上完成的。
第三、李飞飞 s1 模型、数据、代码均已开源
获取地址：https://github.com/simplescaling/s1
论文地址：https://arxiv.org/pdf/2501.19393
本文转载自公众号玄姐聊AGI 作者：玄姐
©著作权归作者所有，如需转载，请注明出处，否则将追究法律责任
赞
收藏
回复
相关推荐
