27届大模型岗面试准备十一模型蒸馏与稀疏化——从软标签到结构化剪枝的压缩全景上一篇讲推理加速时留了个尾巴KV Cache、PagedAttention 这些手段优化的是怎么跑得快但模型本身的参数量没变。如果连模型都能变小、变稀疏推理优化的天花板才能真正抬高。这就是今天的主题——知识蒸馏Knowledge Distillation与稀疏化Sparsification。这两个方向在 27 届面试里出现的频率明显上升原因很实际端侧部署和推理成本控制成了各家的硬需求。DeepSeek-R1 用蒸馏把推理能力迁移到 7B 小模型、Llama 系列的剪枝版如 Minitron 路线都把这套技术推到了台前。面试官问蒸馏考的不只是老师教学生这句比喻而是你能不能把损失函数写出来、把温度系数的作用讲透、把白盒和黑盒蒸馏的边界分清。一、为什么量化之外还需要蒸馏和剪枝先把三种主流压缩手段放在一起对比这也是面试第一问模型压缩有哪些手段、各自适用什么场景的标准素材压缩手段核心思路压缩维度是否需要训练典型压缩比主要风险量化Quantization降低权重/激活的数值精度比特位宽PTQ 不需要QAT 需要2–8 倍离群值导致精度崩塌蒸馏Distillation用大模型的输出监督小模型训练参数量换小模型必须训练5–50 倍学生容量不足能力断层剪枝Pruning移除不重要的权重或结构参数量原模型瘦身通常需恢复训练1.5–3 倍非结构化稀疏难加速低秩分解权重矩阵分解为低秩乘积参数量需微调恢复1.5–2 倍秩选择敏感三者不是竞争关系而是可以叠加的流水线先蒸馏得到小模型再剪枝去冗余最后量化上线。NVIDIA 的 Minitron 就是剪枝 蒸馏恢复的组合拳把 15B 剪到 8B再用原模型蒸馏恢复精度训练成本只有从头训练的几十分之一。面试官往往会追问一句量化和蒸馏最本质的区别是什么我的答法是量化不改变模型结构只改变数值表示能力上限就是原模型蒸馏是训练一个新模型参数量可以差一个数量级但需要完整的训练流程和数据能力来自迁移而非保留。二、知识蒸馏软标签里藏着什么2.1 Hinton 的原始洞察蒸馏的经典形式来自 Hinton 2015 年的论文让学生模型不仅学习真实标签硬标签还学习教师模型输出的概率分布软标签。关键在于软标签携带了类间关系信息。教师模型看到一张2的图片输出可能是 {2: 0.9, 3: 0.06, 7: 0.03}——这个分布告诉学生2 和 3、7 在形态上更接近这是硬标签 one-hot 里完全没有的暗知识dark knowledge。温度系数 T 的作用是把这个分布放大给学生看$$p_i \frac{\exp(z_i / T)}{\sum_j \exp(z_j / T)}$$T1 时就是普通 softmaxT 越大分布越平滑小概率类别的信息被放大。训练时教师和学生都用同一个 T 计算软标签损失推理时学生恢复 T1。有个必考细节软标签损失的梯度量级约为 1/T²所以软损失项要乘 T² 来平衡。这个点能答上来面试官基本确认你推过公式而不是背结论。2.2 LLM 时代的三种蒸馏形态蒸馏形态监督信号对教师的访问要求代表工作适用场景白盒 logits 蒸馏完整输出分布KL 散度需要 logitsMiniLLM、DistilBERT自有教师模型白盒特征蒸馏中间层 hidden states / attention需要模型内部TinyBERT结构相近的师生黑盒数据蒸馏教师生成的文本SFT 形式只需 APIAlpaca、R1 蒸馏系列教师是闭源 API黑盒蒸馏在今天最常见——所谓用 GPT-4 造数据训自己的模型本质就是黑盒蒸馏监督信号从概率分布退化成了采样出的文本序列信息量更少但工程上最容易做。DeepSeek-R1 的蒸馏系列R1-Distill-Qwen-7B 等用的也是这条路拿 R1 生成的 80 万条推理数据对小模型做 SFT没有用 KL 散度对齐 logits。追问高发区为什么黑盒蒸馏用序列级 SFT 而不是 token 级 KL因为闭源 API 拿不到完整词表上的概率分布即使拿得到师生词表不一致时 KL 散度也没法直接算需要做词表对齐或用 ULD 等近似方法。2.3 手写蒸馏损失下面这段代码用 PyTorch 实现标准的蒸馏损失软标签 KL 硬标签 CE可以直接运行验证数值行为import torch import torch.nn.functional as F def distillation_loss(student_logits, teacher_logits, labels, temperature4.0, alpha0.7): student_logits: [batch, num_classes] 学生原始 logits teacher_logits: [batch, num_classes] 教师原始 logits labels: [batch] 真实标签 alpha: 软标签损失权重 # 软标签损失KL(teacher || student)注意乘 T^2 平衡梯度量级 soft_student F.log_softmax(student_logits / temperature, dim-1) soft_teacher F.softmax(teacher_logits / temperature, dim-1) soft_loss F.kl_div(soft_student, soft_teacher, reductionbatchmean) * (temperature ** 2) # 硬标签损失普通交叉熵 hard_loss F.cross_entropy(student_logits, labels) return alpha * soft_loss (1 - alpha) * hard_loss # ---- 数值验证 ---- torch.manual_seed(42) batch, num_classes 8, 10 teacher torch.randn(batch, num_classes) * 3 # 教师置信度更高 student torch.randn(batch, num_classes) labels torch.randint(0, num_classes, (batch,)) for T in [1.0, 2.0, 4.0, 8.0]: loss distillation_loss(student, teacher, labels, temperatureT) print(fT{T:4} loss{loss.item():.4f}) # 观察教师分布随 T 增大而变平滑软损失趋向于均匀分布间的 KL probs_t1 F.softmax(teacher[0] / 1.0, dim-1) probs_t8 F.softmax(teacher[0] / 8.0, dim-1) print(T1 教师分布熵:, -(probs_t1 * probs_t1.log()).sum().item()) print(T8 教师分布熵:, -(probs_t8 * probs_t8.log()).sum().item())跑一遍会看到T 越大教师分布熵越大更平滑这正是放大暗知识的数值体现。面试时若被要求手写KL 方向teacher 在前还是 student 在前、log_softmax 用在哪一侧、T² 补偿这三个点是评分线。顺带一个进阶考点MiniLLM 提出对生成式 LLM 应该用反向 KLKL(student || teacher)而不是前向 KL因为前向 KL 会迫使学生给教师分布的所有模式都分配概率mode-covering小模型容量不够时会学得四不像反向 KL 允许学生聚焦教师分布的主模式mode-seeking生成质量更稳。三、稀疏化与剪枝把冗余参数拿掉3.1 非结构化 vs 结构化剪枝的第一个分野是剪的粒度非结构化剪枝逐个权重置零稀疏模式任意。压缩率高、精度损失小但普通 GPU 的稠密矩阵乘根本吃不到加速——除非硬件支持如 NVIDIA Ampere 的 2:4 半结构化稀疏每 4 个连续权重里恰好 2 个为零Tensor Core 可以硬件加速。结构化剪枝整行、整列、整个注意力头、整层地删。压缩后还是稠密小矩阵任何硬件都能直接受益但精度损失更大通常需要蒸馏恢复。LLM 领域两个代表工作值得点名SparseGPT把剪枝转化为逐层的稀疏回归问题用近似二阶信息一次性剪到 50% 稀疏度而无需重训Wanda更简单用 |权重| × 激活范数 作为重要性分数连梯度都不用算效果却接近 SparseGPT——这个激活感知的思想和 AWQ 量化一脉相承参数重不重要不能只看权重本身要看它实际处理的激活量级。3.2 MoE稀疏化的另一种答案面试里常有人漏掉这一层Mixture-of-Experts 本质也是稀疏化只不过是激活稀疏而非权重稀疏。DeepSeek-V3 有 671B 总参数每个 token 只激活 37B——参数全都在但每次前向只用一小部分。与剪枝的永久删除不同MoE 是按需路由容量和成本解耦。回答如何降低大模型推理成本这类开放题时把 MoE 放进稀疏化谱系里一起讲层次感会好很多。四、面试答题框架遇到讲讲模型压缩/蒸馏这类题推荐这个四步结构先分类量化/蒸馏/剪枝/低秩分解四条线一句话说清各自压缩的维度再深入蒸馏软标签与暗知识 → 温度系数与 T² 补偿 → 白盒/黑盒三形态 → 前向/反向 KL 的取舍稀疏化补充结构化 vs 非结构化的硬件友好性差异、2:4 稀疏、SparseGPT/Wanda、MoE 激活稀疏落地组合拳剪枝 蒸馏恢复 量化上线的流水线举 Minitron 或 R1-Distill 为例收尾。最后自测三问DPO 的软标签和蒸馏的软标签有什么本质区别为什么 R1 蒸馏选 SFT 而不对齐 logits2:4 稀疏为什么能被 Tensor Core 加速而随机稀疏不能这三问都能顺畅答出这一章就过关了。下一篇进入 A12RAG 从原理到落地——检索增强这条线是大模型岗位面试的绝对高频区会把分块、向量检索、重排到评估的完整链路一次讲透。