Сжатие больших языковых моделей: дистилляция знаний

Техника дистилляции знаний: когда учитель учит ученика

В нашей практике частый запрос — снизить стоимость инференса больших языковых моделей (GPT-4o, Claude 3.5) без драматической потери качества. Мы применяем Knowledge Distillation (KD) — перенос знаний от громоздкого «учителя» к компактному «ученику». Это не просто fine-tuning: student обучается на мягких метках — распределении вероятностей teacher по всему словарю, что несёт в 10–100 раз больше информации, чем один правильный ответ.

Выгода очевидна: при кратной экономии на инференсе качество сохраняется на 85–95%. Закажите консультацию — мы оценим ваш проект и подберём оптимальную стратегию сжатия. Наша команда имеет более 30 успешных проектов по дистилляции для задач от QA-систем до анализа договоров.

Основные методы дистилляции для LLM

Black-box дистилляция (Response Distillation) использует только финальные ответы teacher. Учитель — чёрный ящик (например, GPT-4o API). Student обучается на датасете, где labels — выходы teacher. Подробнее о Knowledge Distillation можно прочитать в Wikipedia.

# Сбор данных от teacher (GPT-4o)
def collect_teacher_outputs(prompts: list[str], client) -> list[dict]:
    dataset = []
    for prompt in prompts:
        teacher_response = client.chat.completions.create(
            model="gpt-4o",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.3
        ).choices[0].message.content

        dataset.append({"prompt": prompt, "response": teacher_response})
    return dataset

# Student (Llama 3.1 8B) обучается на ответах GPT-4o через SFT

White-box дистилляция (Feature/Logit Distillation) — доступ к логитам teacher. Позволяет обучать на мягких метках, что более информативно на уровне токенов.

import torch
import torch.nn.functional as F

def distillation_loss(
    student_logits,    # [batch, seq_len, vocab_size]
    teacher_logits,    # [batch, seq_len, vocab_size]
    labels,            # [batch, seq_len]
    temperature: float = 4.0,
    alpha: float = 0.5  # баланс SFT и KD loss
) -> torch.Tensor:
    """
    Комбинированный loss: alpha*KD + (1-alpha)*SFT
    temperature сглаживает распределение teacher
    """
    # KD loss на мягких метках
    soft_teacher = F.softmax(teacher_logits / temperature, dim=-1)
    soft_student = F.log_softmax(student_logits / temperature, dim=-1)
    kd_loss = F.kl_div(soft_student, soft_teacher, reduction="batchmean") * (temperature ** 2)

    # SFT loss на hard labels
    sft_loss = F.cross_entropy(
        student_logits.view(-1, student_logits.size(-1)),
        labels.view(-1),
        ignore_index=-100
    )

    return alpha * kd_loss + (1 - alpha) * sft_loss

Sequence-level KD (SeqKD) — student обучается на лучших сгенерированных последовательностях teacher (beam search). Проще реализуется при black-box доступе.

DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning — пример промышленной дистилляции.

Какой метод дистилляции выбрать?

Почему дистилляция выгоднее fine-tuning?

Fine-tuning на исходных данных требует большой выборки и не даёт компактной модели знаний о «серебряных» ответах. KD же передаёт teacher-распределение, что особенно эффективно для узких доменов. При этом student наследует не только ответы, но и структуру рассуждений teacher — chain-of-thought, которую сложно воспроизвести обычным SFT.

DeepSeek-R1 Distill: пример промышленной дистилляции

Один из ярких примеров — дистилляция DeepSeek-R1 (671B, MoE) в серию плотных моделей:

• DeepSeek-R1-Distill-Qwen-32B: 32B параметров, ~85% reasoning-способности R1
• DeepSeek-R1-Distill-Llama-70B: 70B параметров, ~92% от R1
• DeepSeek-R1-Distill-Llama-8B: 8B параметров, ~70% от R1

Процесс: teacher (R1) генерирует 800K примеров с CoT-рассуждениями; student обучается через стандартный SFT. Результат — модели, которые на порядок дешевле в инференсе.

Практический кейс: дистилляция корпоративного ассистента

Задача: у клиента работал fine-tuned GPT-4o для анализа договоров. Стоимость инференса составляла значительную сумму в месяц. Требовалось снизить её в 10 раз без потери качества ниже 90% от уровня GPT-4o.

Стратегия:

1. Собрать 12 000 запросов из продакшн-логов
2. Прогнать через GPT-4o — получить teacher responses
3. Fine-tune Llama 3.1 8B на этих данных (SFT дистилляция)
4. Дополнительно применить DPO с preferred=GPT-4o ответами, rejected=Llama baseline

Инфраструктура: сбор данных через OpenAI API, обучение на A100 40GB — 6 часов. Затраты на сбор данных окупаются за первую неделю эксплуатации.

Результаты:

• Quality retention vs GPT-4o (LLM-judge): 91%
• Latency p95: сократилась в 4+ раза (self-hosted vLLM)
• Стоимость инференса: снизилась кратно, экономия до 90% от первоначальных затрат

Что входит в работу по дистилляции?

• Анализ текущей модели и целевых метрик качества
• Сбор и подготовка датасета дистилляции (с учителя или из логов)
• Обучение student (выбор архитектуры, настройка гиперпараметров)
• Тестирование и валидация (LLM-judge, метрики точности, latency p99)
• Оптимизация инференса (quantization, vLLM, ONNX Runtime)
• Документация и обучение вашей команды работе с моделью

Мы гарантируем, что финальная модель не потеряет более 10% качества по ключевым метрикам, а стоимость инференса снизится кратно. Получите консультацию — мы рассчитаем точные сроки и стоимость под вашу задачу.

Ограничения дистилляции

• Student не может превзойти teacher, максимум приближается
• Зависимость от teacher: если teacher ошибается, student наследует ошибки
• Узкий домен: black-box KD хорошо работает для specialization, плохо — для general capability
• Размерный разрыв: дистилляция 405B → 8B теряет больше, чем 70B → 8B

Оптимальные значения temperature

Temperature T в KD loss определяет «мягкость» распределения teacher. Эмпирическое правило: T=3–5 для большинства задач, подбирается эмпирически.

Сроки

• Сбор данных от teacher: 1–3 дня
• Подготовка датасета дистилляции: 1–2 недели
• Обучение student (8B, SFT): 3–10 часов
• Оценка vs teacher: 3–5 дней
• Итого: 3–6 недель

Закажите консультацию — мы оценим ваш проект и подберём оптимальный метод дистилляции. Наши инженеры имеют опыт работы с моделями от 7B до 405B и гарантируют результат.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.