小模型路线图来了！苹果弄清楚了“蒸馏Scaling Law”

　来源：华尔街见闻　赵颖

　　研究发现，多次“蒸馏”更具优势，“教师”模型的性能比大小更重要。更强大的“教师”（大模型）有时会产生更弱的“学生”（小模型），两者“能力差距”过大时反而不利于蒸馏，换句话说需要有合适的教师才能让学习发生。

　　近期AI领域“蒸馏”这一概念火热，苹果公司近期在人工智能领域的研究成果，为蒸馏以及小模型的训练提供了新的思路。

　　据媒体周二报道，通过深入分析“蒸馏”（Distillation）技术的Scaling Law，苹果的研究人员不仅揭示了何时应该采用蒸馏、何时应该采用微调，还阐明了蒸馏技术在当前AI发展趋势中的重要性。

　　模型蒸馏是一种将大型、复杂的模型（“教师”模型）的知识迁移到小型、简单的模型（“学生”模型）的技术。其基本原理是，利用大模型生成的输出来训练小型模型。这种方法的核心优势在于，通过借鉴已具备强大能力的模型的输出，可以更容易地提升小模型的智能水平

　　这一研究成果，有望为业界带来更高效、更低成本的小模型训练方案，并推动AI技术的进一步普及。

　　正如分析指出，分布式训练、蒸馏、联邦推理，以及现在的蒸馏Scaling Law，所有这些研究都指向一个基本事实：大规模、廉价、高效地推广强大AI系统所需的科学正在形成。AI系统正从少数大型计算专有孤岛中转移出来，以小模型或基于自身轨迹训练的模型形式进入世界。这是一个重要的趋势，将塑造整个领域。

　　什么是模型“蒸馏”？何时蒸馏，何时微调？

　　苹果的研究人员发表了一篇关于蒸馏Scaling Law的分析报告，为业界提供了一个理论基础，以判断何时应该从大型模型中蒸馏出一个小型模型，何时应该对小型模型进行监督微调。

　　苹果和牛津大学的研究人员引入了一种蒸馏缩放定律，该定律可以根据计算预算分布预测蒸馏模型的性能，对蒸馏进行了广泛的对照研究，学生和教师模型的参数范围从1.43亿到126亿，训练数据从几十亿token到5120亿token不等。

　　苹果的研究主要有以下几个关键发现：

数据量与训练方法的关系： “在给定足够的学生计算资源或token的情况下，监督学习总是优于蒸馏。对于有限的token预算，蒸馏是有利的，然而，当有大量token可用时，监督学习优于蒸馏。”

多次蒸馏的优势：当已经存在一个“教师模型”，并计划训练多个学生模型，且这些模型相对较大时，从计算支出的角度来看，蒸馏通常效果最好。

教师模型的性能比大小更重要。教师模型的性能水平（交叉熵损失）比其大小更重要。

选择与学生模型相近大小的教师模型： 最佳教师模型的大小通常会增长到略大于学生模型，然后趋于稳定。

　　值得一提的是，苹果提出的蒸馏Scaling Law 定义了学生模型的性能如何取决于教师的交叉熵损失、数据集大小和模型参数。该研究确定了两种幂律行为之间的过渡，其中学生的学习能力取决于教师的相对能力。该研究还解决了能力差距现象，这表明更强大的教师有时会产生更弱的学生。分析表明，这种差距是由于学习能力的差异，而不仅仅是模型大小。研究人员证明，当计算资源得到适当分配时，蒸馏在效率方面可以与传统的监督学习方法相媲美，甚至超过后者。

　　换句话说，你需要有合适的教师才能让学习发生。例如：一个5岁的孩子或许可以从高中数学老师那里学到一些东西，但他们很难从研究生数学导师那里学到任何东西，事实上可能会变得困惑。