# 模型蒸馏场景介绍
#### 背景介绍
在大模型技术日益发展的今天，模型的性能越来越强大，但是随之而来的是更加复杂的模型结构与更高的训练和部署成本，以及更慢的模型回复速度。但是在很多场景下，用户只需要特定领域的模型功能，并不需要训练非常复杂的模型，此时就可以利用模型蒸馏技术将需要的模型能力迁移到一个小模型当中进行部署使用。
传统的模型蒸馏为"教师-学生"模式，旨在将一个性能强大的大型教师模型所学习到的知识，迁移到一个小型、轻量级的"学生模型"中，"学生模型"学习的是"教师模型"对于分类任务输出的概率分布。但是在大模型时代，模型蒸馏的含义已经逐渐演变为了"能力迁移"的过程，不仅仅是让"学生模型"来模仿"教师模型"的输入输出，而是设法将大模型的推理能力、指令遵从能力等迁移到"学生模型"上，让"学生模型"真正学会"教师模型"的思考过程。如针对推理能力，需要让模型学会链式思维，一步一步地去思考最终答案。
以金融场景为例，催收意图识别是其中的一个重要场景。它主要用于自动分析和识别客户与金融机构沟通时的语音或文本信息中是否包含催收相关的意图。这项技术的作用主要包括：
1. 提高效率：通过自动化的方式处理大量的客户服务请求，快速识别出哪些对话涉及还款提醒或催收，从而能够更快地分配资源进行后续处理。
2. 增强客户体验：及时准确地识别客户的还款意愿或者财务困难情况，可以帮助金融机构更灵活地调整还款计划，提供个性化的服务方案，进而提升客户满意度。
3. 风险控制：有助于早期发现可能存在的违约风险，使金融机构能够提前采取措施，减少坏账损失。
4. 合规性监控：确保所有催收活动符合法律法规的要求，避免因不当催收行为导致的法律风险。
 
#### 模型蒸馏的作用
虽然现在各类大模型的性能已经非常强了，但是在实际使用上，还是会受到各种各样的限制，如成本、可行性或推理速度等。而模型蒸馏在一定程度上可以解决这些问题，方便应用落地。
1. 成本与可行性：当前如GPT和DeepSeek这种超大规模的模型，虽然性能非常强，但是想要将其在特定领域上进行微调并部署，对于大多数公司和个人开发者来说成本都是非常高的，或者是不可行的。但是用户可以基于这类模型进行模型蒸馏，训练一个任务专用的量级较小的模型，可大大降低使用成本，且对于闭源模型来说也是一个可行的方案。
2. 推理速度：通常来说，规模较大的模型生成内容的速度是较慢的，难以满足对回复延迟有要求的场景。而您可以通过模型蒸馏的方法，将"教师模型"的能力迁移到"学生模型"上，同时"学生模型"的规模更小，计算量也随之减少，从而大大提升推理速度。
3. 能力迁移：可以将"教师模型"的推理能力和指令遵从能力迁移到"学生模型"上。针对催收意图识别场景，这两种能力是至关重要的，推理能力可以根据对话内容识别到催收相关的内容，然后根据内容进行客户的意图分析，如果存在历史对话，还可以从多轮对话的角度出发，判断客户的诚信度等情况，从而增强最终意图分析的准确度。当用户要求模型只返回客户意图时，良好的指令遵从能力就可以提升用户的使用体验。