它的核心逻辑非常朴素：让一个已经训练好的、精度极高的大模型（教师模型），把自己学到的知识、逻辑、推理模式，一点点提炼并传递给一个更小、更轻、更快的小模型（学生模型）。老教师把一生的经验浓缩提炼给学生，学生不用再从头苦读海量书籍，却能快速掌握核心能力。最终，学生体型小、反应快、成本低，却能保留大模型90%以上的能力。

核心逻辑：老师怎么教，学生怎么学

要真正理解蒸馏，关键在于明白大模型是如何“教”的。传统模型训练就像是“刷题背答案”，给模型海量数据，让它记住标准答案（硬标签）。这种方式很死板，模型只记住了结果，不懂底层逻辑。

而模型蒸馏的核心突破，是让小模型学习“软标签”。大模型在预测时，不只是给出一个最终答案，还会输出概率分布。比如判断一张图是不是猫，大模型不会只说“是”，还会给出：猫80%、狗15%、老虎3%、其他2%。这些细微的概率，藏着大模型学到的语言规律、逻辑关系和知识关联。比如，大模型知道猫和狗都有毛茸茸的特征，所以有15%的相似度。

学生模型不去看原始的海量数据，而是直接模仿大模型的判断方式、推理倾向和置信度分布。它学到的不是冰冷的数据，而是大模型提炼过的高阶“思维方式”和“暗知识”。