大型语言模型虽然性能优异，可以用零样本或少样本提示解决新任务，但LLM在实际应用部署时却很不实用，内存利用效率低，并且需要大量计算资源。

比如运行一个1750亿参数的语言模型服务至少需要350GB的显存，而目前最先进的语言模型大多已超过5000亿参数量，很多研究团队都没有足够的资源来运行，在现实应用中也无法满足低延迟性能。

也有一些研究使用人工标注数据或使用LLM生成的标签进行蒸馏来训练较小的、任务专用的模型，不过微调和蒸馏需要大量的训练数据才能实现与LLM相当的性能。

为了解决大模型的资源需求问题，华盛顿大学联合谷歌提出了一种新的蒸馏机制「分步蒸馏」（Distilling Step-by-Step），蒸馏后的模型尺寸相比原模型来说非常小，但性能却更好，并且微调和蒸馏过程中所需的训练数据也更少。

论文链接：https://arxiv.org/abs/2305.02301

分布蒸馏机制把LLM中抽取出的预测理由（rationale）作为在多任务框架内训练小模型的额外监督信息。

 在4个NLP基准上进行实验后，可以发现：

1. 与微调和蒸馏相比，该机制用更少的训练样本实现了更好的性能；

2. 相比少样本提示LLM，该机制使用更小尺寸的模型实现了更好的性能；

3. 同时降低模型尺寸和数据量也可以实现优于LLM的性能。

实验中，微调后770M的T5模型在基准测试中仅使用80%的可用数据就优于少样本提示的540B的PaLM模型，而标准微调相同的T5模型即使使用100%的数据集也难以匹配。

分布蒸馏（distilling step by step）的关键思想是抽取出信息丰富且用自然语言描述的预测理由，即中间推理步骤，可以解释输入问题与模型输出之间的联系，然后再反过来用该数据以更高效的方式训练小模型。

分布蒸馏主要由两个阶段组成：

1. 从LLM中抽取原理（rationale）

研究人员利用少样本思维链（CoT）提示从LLM中提取预测中间步骤。

给定目标任务后，先在LLM输入提示中准备几个样例，其中每个样例由一个三元组组成，包含（输入，原理，输出）。

 输入提示后，LLM能够模仿三元组演示以生成其他新问题的预测原理，例如，在常识问答案任务中，给定输入问题：

「Sammy想要去人群所在的地方。他会去哪里？答案选项：（a）人口稠密地区，（B）赛道，（c）沙漠，（d）公寓，（e）路障」

（Sammy wanted to go to where the people are. Where might he go? Answer Choices: (a) populated areas, (b) race track, (c) desert, (d) apartment, (e) roadblock）

通过逐步提炼后，LLM可以给出问题的正确答案「（a）人口稠密地区」，并且提供回答问题的理由「答案必须是一个有很多人的地方，在上述选择中，只有人口稠密的地区有很多人。」

通过在提示中提供与基本原理配对的CoT示例，上下文学习能力可以让LLM为没见过的问题类型生成相应的回答理由。

2. 训练小模型

通过将训练过程构建为多任务问题，将预测理由抽取出来，并将其纳入训练小模型中。

除了标准标签预测任务之外，研究人员还使用新的理由生成任务来训练小模型，使得模型能够学习生成用于预测的中间推理步骤，并且引导模型更好地预测结果标签。

通过在输入提示中加入任务前缀「label」和「rationale」来区分标签预测和理由生成任务。

在实验中，研究人员选择5400亿参数量的PaLM模型作为LLM基线，使用T5模型作为任务相关的下游小模型。

然后在三个不同的NLP任务中对四个基准数据集进行了实验：用于自然语言推理的e-SNLI和ANLI、常识问答的CQA，以及用于算术数学应用题的SVAMP.

更少的训练数据

与标准微调相比，分步蒸馏方法使用更少的训练数据即实现了更好的性能。

在e-SNLI数据集上，当使用完整数据集的12.5%时就实现了比标准微调更好的性能，在ANLI、CQA和SVAMP上分别只需要75%、25%和20%的训练数据。

 与使用220M T5模型对不同大小的人工标记数据集进行标准微调相比，在所有数据集上，分布蒸馏使用更少的训练示例优于在完整数据集上训练的标准微调。

更小的部署模型尺寸

与少样本CoT提示的LLM相比，分布蒸馏得到的模型尺寸要小得多，但性能却更好。

在e-SNLI数据集上，使用220M的T5模型实现了比540B的PaLM更好的性能；在ANLI上，使用770M的T5模型实现了比540B的PaLM更好的性能，模型尺寸仅为1/700

更小的模型、更少的数据

在模型尺寸和训练数据同时降低的情况下，也实现了超越少样本PaLM的性能。

在ANLI上，使用770M T5模型超越了540B PaLM的性能，只使用了完整数据集的80%

 并且可以观察到，即使使用100%的完整数据集，标准微调也无法赶上PaLM的性能，表明分步蒸馏可以同时减少模型尺寸和训练数据量实现超越LLM的性能。