Стиснення великих мовних моделей: дистиляція знань

Техніка дистиляції знань: коли вчитель навчає учня

У нашій практиці частий запит — знизити вартість інференсу великих мовних моделей (GPT-4o, Claude 3.5) без драматичної втрати якості. Ми застосовуємо Knowledge Distillation (KD) — перенесення знань від громіздкого «вчителя» до компактного «учня». При дистиляції знань (knowledge distillation) student model навчається на м'яких мітках — розподілі ймовірностей teacher model по всьому словнику, що несе в 10–100 разів більше інформації, ніж одна правильна відповідь. Дистиляція у 10 разів краща за fine-tuning за співвідношенням ціна/якість.

Вигода очевидна: при кратній економії на інференсі якість зберігається на 85–95%. Наша команда має понад 30 успішних проєктів з дистиляції та 5 років досвіду у стисненні нейромереж. Замовте консультацію — ми оцінимо ваш проєкт і підберемо оптимальну стратегію стиснення.

Основні методи дистиляції для LLM

Black-box дистиляція (Response Distillation) використовує лише фінальні відповіді teacher. Учитель — чорний ящик (наприклад, GPT-4o API). Student model навчається на датасеті, де labels — виходи teacher. Докладніше про Knowledge Distillation можна прочитати у Wikipedia.

# Збір даних від 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) навчається на відповідях GPT-4o через SFT

White-box дистиляція (Feature/Logit Distillation) — доступ до логітів teacher. Дозволяє навчати на м'яких мітках, що більш інформативно на рівні токенів.

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 та KD loss
) -> torch.Tensor:
    """
    Комбінований loss: alpha*KD + (1-alpha)*SFT
    temperature згладжує розподіл teacher
    """
    # KD loss на м'яких мітках
    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 навчається на найкращих згенерованих послідовностях teacher (beam search). Простіше реалізується при black-box доступі.

DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning — приклад промислової дистиляції.

Вибір методу дистиляції

Чому дистиляція краща за fine-tuning?

Fine-tuning на вихідних даних потребує великої вибірки і не дає компактній моделі знань про «срібні» відповіді. KD же передає teacher-розподіл, що особливо ефективно для вузьких доменів. При цьому student успадковує не лише відповіді, але й структуру міркувань teacher — chain-of-thought, яку складно відтворити звичайним SFT. Дистиляція в 10 разів дешевша за fine-tuning при аналогічній якості для спеціалізованих завдань.

DeepSeek-R1 Distill: приклад промислової дистиляції

Один з яскравих прикладів — дистиляція DeepSeek-R1 (671B, MoE) у серію щільних моделей:

• DeepSeek-R1-Distill-Qwen-32B: 32B параметрів, ~85% reasoning-здібностей R1
• DeepSeek-R1-Distill-Llama-70B: 70B параметрів, ~92% від R1
• DeepSeek-R1-Distill-Llama-8B: 8B параметрів, ~70% від R1

Процес: teacher (R1) генерує 800K прикладів з CoT-міркуваннями; student навчається через стандартний SFT. Результат — моделі, які на порядок дешевші в інференсі. DeepSeek-R1-Distill-Llama-8B зберігає 70% якості teacher при вартості інференсу в 10 разів нижчій.

Практичний кейс: дистиляція корпоративного асистента

Із нашої практики: наш клієнт використовував fine-tuned GPT-4o для аналізу договорів. Вартість інференсу становила $5000 на місяць. Потрібно було знизити її в 10 разів без втрати якості нижче 90% від рівня GPT-4o.

Стратегія:

1. Зібрати 12 000 запитів з продакшн-логів
2. Прогнати через GPT-4o — отримати teacher responses
3. Fine-tune Llama 3.1 8B на цих даних (SFT дистиляція)
4. Додатково застосувати DPO з preferred=GPT-4o відповідями, rejected=Llama baseline

Інфраструктура: збір даних через OpenAI API, навчання на A100 40GB — 6 годин. Витрати на збір даних ($200) окупаються за перший тиждень експлуатації.

Результати:

• Quality retention vs GPT-4o (LLM-judge): 91%
• Latency p95: скоротилася в 4+ рази (self-hosted vLLM) — student (Llama 8B) працює в 4 рази швидше за teacher (GPT-4o)
• Вартість інференсу: знизилася до $500 на місяць (економія $4500/міс.)

Що входить в роботу з дистиляції?

• Аналіз поточної моделі та цільових метрик якості
• Збір та підготовка датасету дистиляції (з учителя або з логів)
• Навчання student (вибір архітектури, налаштування гіперпараметрів)
• Тестування та валідація (LLM-judge, метрики точності, latency p99)
• Оптимізація інференсу (quantization, vLLM, ONNX Runtime)
• Документація та навчання вашої команди роботі з моделлю

Ми гарантуємо, що фінальна модель не втратить більше 10% якості за ключовими метриками, а вартість інференсу знизиться кратно. Орієнтовна вартість проєкту дистиляції для моделі 8B — від $5,000 до $15,000. Отримайте консультацію — ми розрахуємо точні терміни та вартість під вашу задачу.

Які обмеження має дистиляція?

• Student не може перевершити teacher, максимум наближається
• Залежність від teacher: якщо teacher помиляється, student успадковує помилки
• Вузький домен: black-box KD добре працює для specialization, погано — для general capability
• Розмірний розрив: дистиляція 405B → 8B втрачає більше, ніж 70B → 8B

Оптимальні значення temperature

Temperature T в KD loss визначає «м'якість» розподілу teacher. Емпіричне правило: T=3–5 для більшості задач, підбирається емпірично.

Терміни

• Збір даних від teacher: 1–3 дні
• Підготовка датасету дистиляції: 1–2 тижні
• Навчання student (8B, SFT): 3–10 годин
• Оцінка vs teacher: 3–5 днів
• Разом: 3–6 тижнів

Замовте консультацію — ми оцінимо ваш проєкт і підберемо оптимальний метод дистиляції. Наші інженери мають досвід роботи з моделями від 7B до 405B та гарантують результат.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.