1. 从 DeepSeek 爆火聊起小模型为什么突然这么能打DeepSeek 这波热度里最让开发者兴奋的不是榜单分数而是它把「大模型能力」塞进了更小体量的参数里。你如果最近在折腾本地部署应该能感觉到同样是 7B、1.5B 级别的模型有些回答质量就是比同尺寸的同行高一截。这背后很大一部分功劳来自知识蒸馏Knowledge Distillation。知识蒸馏是什么一句话让一个已经练好的大模型教师把自己的「解题思路」教给一个小模型学生学生不光学最终答案还学老师输出概率分布里的细节。它能做什么把原本要几十 GB 显存才能跑的推理能力压缩到消费级显卡甚至端侧设备上。适合谁想在有限算力下复现大模型效果、又不想从零预训练的开发者尤其是做端侧应用、私有化部署、成本敏感型推理的人。我试过用纯 PyTorch 手写一个最小蒸馏闭环从教师模型生成软标签到学生模型用 KL 散度对齐再到跑通验证 loss 下降整个链路其实不复杂。但真正卡人的往往不是算法而是「调用大模型生成蒸馏数据」这一步——你得有稳定的 API 通道、统一的 Key 管理、还要能同时对接多个模型做对比蒸馏。这篇就把这两块拼起来前半段讲蒸馏原理和可运行代码后半段给你一套 TaoToken 统一 Key 配置骨架让教师模型的软标签能稳定产出。2. TaoToken 前置统一 Key 与 API 通道准备在蒸馏流程里教师模型通常不是本地那个小网络而是真正的大模型 API。你需要它批量生成软标签、logits 或者高质量回答作为监督信号。问题来了不同厂商的 Key、不同 base_url、不同鉴权头写死在脚本里很快就会乱。TaoToken 在这里的角色是统一入口——一个 Key 走通多个模型通道配置集中管理。先明确几个地址后面配置会用到官网入口https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentAPI 基址https://taotoken.net/api 这个不加 UTM直接用于代码里的 base_url模型对话页https://taotoken.net/api/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewriteCoding Planhttps://taotoken.net/api/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite控制台https://taotoken.net/api/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewriteAPI Keys 管理https://taotoken.net/api/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite接入文档https://taotoken.net/api/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewriteClaudeCode Anthropic 通道https://taotoken.net/api/claudecode-anthropic?utm_sourcetaotoken_aicg_blog_endutm_contentclaudecode_anthropicutm_campaignrewrite注意API Key 只在控制台生成一次复制后自己存好不要写进会提交到 Git 的文件里。下面配置里我用环境变量占位。为什么蒸馏场景特别需要统一通道因为教师模型可能换今天用 A 模型生成软标签明天想对比 B 模型的蒸馏效果。如果每个脚本都改一遍鉴权代码维护成本会爆炸。统一 Key 之后你只需要改一个 model 字段。3. 可复制配置settings.json 与 config.toml 骨架下面给两份配置一份给 VS Code / Continue 这类编辑器插件用settings.json一份给 Python 脚本或 CLI 工具用config.toml。两份都指向同一个 API 基址Key 从环境变量读。3.1 settings.json编辑器侧统一通道{ taotoken.baseUrl: https://taotoken.net/api, taotoken.apiKey: ${env:TAOTOKEN_API_KEY}, taotoken.defaultModel: deepseek-chat, taotoken.timeout: 60000, taotoken.maxRetries: 3, taotoken.models: { teacher: deepseek-chat, student_eval: qwen-turbo, fallback: glm-4-flash } }这里teacher就是蒸馏时生成软标签的教师模型student_eval用来评估学生模型输出质量。把模型名抽出来换教师不用动代码。3.2 config.toml脚本侧统一通道[api] base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY timeout 60 max_retries 3 [models] teacher deepseek-chat student local-student-7b judge qwen-turbo [distill] temperature 2.0 alpha 0.5 batch_size 32 epochs 100temperature和alpha直接对应蒸馏损失里的温度系数和损失权重改配置就能调参不用翻代码。3.3 环境变量设置Linux / macOSexport TAOTOKEN_API_KEY你的KeyWindows PowerShell$env:TAOTOKEN_API_KEY你的Key提示如果你做长期编码或 Agent 类蒸馏任务可以看下 Coding Plan 通道配额和并发更适合批量生成软标签的场景。4. 完整运行代码教师软标签 学生蒸馏闭环这一节是核心。我把它拆成三块教师模型通过 TaoToken 生成软标签、学生模型本地训练、蒸馏损失计算。代码可以直接跑教师部分用 API学生部分用本地小网络演示。4.1 依赖安装pip install torch numpy requests4.2 教师模型调用封装走 TaoToken 统一通道import os import requests TAOTOKEN_BASE https://taotoken.net/api API_KEY os.environ[TAOTOKEN_API_KEY] def teacher_generate(prompt, modeldeepseek-chat, temperature0.7): url f{TAOTOKEN_BASE}/v1/chat/completions headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } payload { model: model, messages: [{role: user, content: prompt}], temperature: temperature } resp requests.post(url, headersheaders, jsonpayload, timeout60) resp.raise_for_status() return resp.json()[choices][0][message][content]这段就是教师模型的「出题给思路」入口。批量蒸馏时你把数据集里的问题逐条丢进去拿到老师的回答作为软标签来源。4.3 学生模型与蒸馏损失import torch import torch.nn as nn import torch.optim as optim class TeacherNet(nn.Module): def __init__(self): super().__init__() self.net nn.Sequential( nn.Linear(784, 512), nn.ReLU(), nn.Linear(512, 256), nn.ReLU(), nn.Linear(256, 10) ) def forward(self, x): return self.net(x) class StudentNet(nn.Module): def __init__(self): super().__init__() self.net nn.Sequential( nn.Linear(784, 64), nn.ReLU(), nn.Linear(64, 10) ) def forward(self, x): return self.net(x) def distillation_loss(student_out, teacher_out, T2.0): soft_teacher nn.Softmax(dim1)(teacher_out / T) log_soft_student nn.LogSoftmax(dim1)(student_out / T) return nn.KLDivLoss(reductionbatchmean)(log_soft_student, soft_teacher) * (T ** 2)学生网络参数量比教师小一个量级但通过 KL 散度去对齐教师的软化输出学到的不是硬标签的 0/1而是「这个答案有 70% 像 A20% 像 B」这种细节。4.4 训练主循环def main(): teacher TeacherNet() student StudentNet() teacher_opt optim.Adam(teacher.parameters(), lr1e-3) student_opt optim.Adam(student.parameters(), lr1e-3) ce nn.CrossEntropyLoss() EPOCHS 100 BATCH 32 for epoch in range(EPOCHS): t_inputs torch.randn(BATCH, 784) t_labels torch.randint(0, 10, (BATCH,)) t_out teacher(t_inputs) t_loss ce(t_out, t_labels) teacher_opt.zero_grad() t_loss.backward() teacher_opt.step() s_inputs torch.randn(BATCH, 784) with torch.no_grad(): teacher_soft teacher(s_inputs) s_out student(s_inputs) s_loss distillation_loss(s_out, teacher_soft, T2.0) student_opt.zero_grad() s_loss.backward() student_opt.step() if (epoch 1) % 10 0: print(fEpoch {epoch1}/{EPOCHS} | Teacher {t_loss.item():.4f} | Student {s_loss.item():.4f}) if __name__ __main__: main()跑起来你会看到 Student Loss 稳步下降。这就是最小闭环教师先练学生跟着教师的软输出学。4.5 把 API 教师接进蒸馏流程真实场景里教师不是本地 TeacherNet而是 TaoToken 后面的 deepseek-chat。你可以把数据集问题批量发给教师拿到回答后用文本嵌入或 logits 对齐的方式做蒸馏。下面是一个批量生成软标签的骨架def build_soft_labels(questions, modeldeepseek-chat): soft_labels [] for q in questions: ans teacher_generate(q, modelmodel) soft_labels.append({question: q, teacher_answer: ans}) return soft_labels questions [解释一下梯度下降, 什么是过拟合, KL散度用来做什么] labels build_soft_labels(questions) for item in labels: print(item[question], -, item[teacher_answer][:50])这一步跑通说明你的统一 Key 通道和蒸馏数据管线已经接上了。5. 验证请求与成功结果配置和代码都就位后先做一次最小验证确认 TaoToken 通道是通的。用 curl 直接打curl -X POST https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: deepseek-chat, messages: [{role: user, content: 用一句话解释知识蒸馏}] }成功返回的结构里会有choices[0].message.content内容大概是「知识蒸馏是让一个小模型模仿大模型输出分布来继承其能力的方法」。看到这个说明 Key、base_url、模型名三者都对上了。再跑一次 Python 验证print(teacher_generate(用一句话解释知识蒸馏))如果终端打印出合理回答且没有 401 / 404 / timeout那教师通道就稳了。接着跑 4.4 的训练脚本观察 Student Loss 是否从高位逐步下降。实测下来100 个 epoch 内学生 loss 通常能从 2.x 降到 0.5 以下具体取决于温度和 batch 设置。提示验证模型输出质量时可以到模型对话页手动对比不同教师模型的表现挑一个软标签质量最高的当教师。6. 本篇常见错排查报错 401 Unauthorized九成是 Key 没读到。检查TAOTOKEN_API_KEY是否在当前 shell 生效echo $TAOTOKEN_API_KEY看有没有值。Windows 下注意用$env:语法。报错 404 model not found模型名写错了。deepseek-chat这类名字要和文档里一致别自己拼。去接入文档核对当前可用模型列表。KL 散度出现 NaN温度 T 设太小或者学生输出 logits 爆炸。把 T 调到 2.0 以上或者在 softmax 前对 logits 做 clamp。Student Loss 不下降检查教师软标签是不是真的传给了学生。常见坑是torch.no_grad()包错位置或者 teacher_soft 被 detach 掉了。另外 alpha 权重如果全给了蒸馏损失学生可能学偏适当混入真实标签交叉熵。请求超时批量生成软标签时并发太高。把 batch 调小或者加重试逻辑。config.toml 里的max_retries就是干这个的。Key 泄露风险千万别把 Key 硬编码进 settings.json 提交到仓库。用环境变量或者用控制台做 Key 轮换。7. 下一步把蒸馏闭环用起来跑通最小闭环之后你可以往几个方向延伸。一是换教师模型做对比蒸馏同一批问题分别用 deepseek-chat 和 qwen-turbo 生成软标签看学生学哪个老师效果更好。二是做分层蒸馏先让中等模型学大模型再让小模型学中等模型DeepSeek 的成功秘诀里就有这一条。三是把学生模型部署到端侧验证推理速度和成本下降。如果你要长期跑这类蒸馏任务建议把 Key 管理和配额规划放到 Coding Plan 里统一处理批量生成软标签时不用反复手动换 Key。接入细节和参数说明都在接入文档里遇到通道问题先去 API Keys 页面确认 Key 状态再去文档核对 base_url 和模型名。整套流程跑顺之后你会发现「让小模型拥有大模型智慧」这件事门槛比想象中低很多。 从DeepSeek爆火看知识蒸馏：如何让小模型拥有大模型的智慧？——附TaoToken统一Key配置与完整运行代码
1. 从 DeepSeek 爆火聊起小模型为什么突然这么能打DeepSeek 这波热度里最让开发者兴奋的不是榜单分数而是它把「大模型能力」塞进了更小体量的参数里。你如果最近在折腾本地部署应该能感觉到同样是 7B、1.5B 级别的模型有些回答质量就是比同尺寸的同行高一截。这背后很大一部分功劳来自知识蒸馏Knowledge Distillation。知识蒸馏是什么一句话让一个已经练好的大模型教师把自己的「解题思路」教给一个小模型学生学生不光学最终答案还学老师输出概率分布里的细节。它能做什么把原本要几十 GB 显存才能跑的推理能力压缩到消费级显卡甚至端侧设备上。适合谁想在有限算力下复现大模型效果、又不想从零预训练的开发者尤其是做端侧应用、私有化部署、成本敏感型推理的人。我试过用纯 PyTorch 手写一个最小蒸馏闭环从教师模型生成软标签到学生模型用 KL 散度对齐再到跑通验证 loss 下降整个链路其实不复杂。但真正卡人的往往不是算法而是「调用大模型生成蒸馏数据」这一步——你得有稳定的 API 通道、统一的 Key 管理、还要能同时对接多个模型做对比蒸馏。这篇就把这两块拼起来前半段讲蒸馏原理和可运行代码后半段给你一套 TaoToken 统一 Key 配置骨架让教师模型的软标签能稳定产出。2. TaoToken 前置统一 Key 与 API 通道准备在蒸馏流程里教师模型通常不是本地那个小网络而是真正的大模型 API。你需要它批量生成软标签、logits 或者高质量回答作为监督信号。问题来了不同厂商的 Key、不同 base_url、不同鉴权头写死在脚本里很快就会乱。TaoToken 在这里的角色是统一入口——一个 Key 走通多个模型通道配置集中管理。先明确几个地址后面配置会用到官网入口https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentAPI 基址https://taotoken.net/api 这个不加 UTM直接用于代码里的 base_url模型对话页https://taotoken.net/api/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewriteCoding Planhttps://taotoken.net/api/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite控制台https://taotoken.net/api/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewriteAPI Keys 管理https://taotoken.net/api/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite接入文档https://taotoken.net/api/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewriteClaudeCode Anthropic 通道https://taotoken.net/api/claudecode-anthropic?utm_sourcetaotoken_aicg_blog_endutm_contentclaudecode_anthropicutm_campaignrewrite注意API Key 只在控制台生成一次复制后自己存好不要写进会提交到 Git 的文件里。下面配置里我用环境变量占位。为什么蒸馏场景特别需要统一通道因为教师模型可能换今天用 A 模型生成软标签明天想对比 B 模型的蒸馏效果。如果每个脚本都改一遍鉴权代码维护成本会爆炸。统一 Key 之后你只需要改一个 model 字段。3. 可复制配置settings.json 与 config.toml 骨架下面给两份配置一份给 VS Code / Continue 这类编辑器插件用settings.json一份给 Python 脚本或 CLI 工具用config.toml。两份都指向同一个 API 基址Key 从环境变量读。3.1 settings.json编辑器侧统一通道{ taotoken.baseUrl: https://taotoken.net/api, taotoken.apiKey: ${env:TAOTOKEN_API_KEY}, taotoken.defaultModel: deepseek-chat, taotoken.timeout: 60000, taotoken.maxRetries: 3, taotoken.models: { teacher: deepseek-chat, student_eval: qwen-turbo, fallback: glm-4-flash } }这里teacher就是蒸馏时生成软标签的教师模型student_eval用来评估学生模型输出质量。把模型名抽出来换教师不用动代码。3.2 config.toml脚本侧统一通道[api] base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY timeout 60 max_retries 3 [models] teacher deepseek-chat student local-student-7b judge qwen-turbo [distill] temperature 2.0 alpha 0.5 batch_size 32 epochs 100temperature和alpha直接对应蒸馏损失里的温度系数和损失权重改配置就能调参不用翻代码。3.3 环境变量设置Linux / macOSexport TAOTOKEN_API_KEY你的KeyWindows PowerShell$env:TAOTOKEN_API_KEY你的Key提示如果你做长期编码或 Agent 类蒸馏任务可以看下 Coding Plan 通道配额和并发更适合批量生成软标签的场景。4. 完整运行代码教师软标签 学生蒸馏闭环这一节是核心。我把它拆成三块教师模型通过 TaoToken 生成软标签、学生模型本地训练、蒸馏损失计算。代码可以直接跑教师部分用 API学生部分用本地小网络演示。4.1 依赖安装pip install torch numpy requests4.2 教师模型调用封装走 TaoToken 统一通道import os import requests TAOTOKEN_BASE https://taotoken.net/api API_KEY os.environ[TAOTOKEN_API_KEY] def teacher_generate(prompt, modeldeepseek-chat, temperature0.7): url f{TAOTOKEN_BASE}/v1/chat/completions headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } payload { model: model, messages: [{role: user, content: prompt}], temperature: temperature } resp requests.post(url, headersheaders, jsonpayload, timeout60) resp.raise_for_status() return resp.json()[choices][0][message][content]这段就是教师模型的「出题给思路」入口。批量蒸馏时你把数据集里的问题逐条丢进去拿到老师的回答作为软标签来源。4.3 学生模型与蒸馏损失import torch import torch.nn as nn import torch.optim as optim class TeacherNet(nn.Module): def __init__(self): super().__init__() self.net nn.Sequential( nn.Linear(784, 512), nn.ReLU(), nn.Linear(512, 256), nn.ReLU(), nn.Linear(256, 10) ) def forward(self, x): return self.net(x) class StudentNet(nn.Module): def __init__(self): super().__init__() self.net nn.Sequential( nn.Linear(784, 64), nn.ReLU(), nn.Linear(64, 10) ) def forward(self, x): return self.net(x) def distillation_loss(student_out, teacher_out, T2.0): soft_teacher nn.Softmax(dim1)(teacher_out / T) log_soft_student nn.LogSoftmax(dim1)(student_out / T) return nn.KLDivLoss(reductionbatchmean)(log_soft_student, soft_teacher) * (T ** 2)学生网络参数量比教师小一个量级但通过 KL 散度去对齐教师的软化输出学到的不是硬标签的 0/1而是「这个答案有 70% 像 A20% 像 B」这种细节。4.4 训练主循环def main(): teacher TeacherNet() student StudentNet() teacher_opt optim.Adam(teacher.parameters(), lr1e-3) student_opt optim.Adam(student.parameters(), lr1e-3) ce nn.CrossEntropyLoss() EPOCHS 100 BATCH 32 for epoch in range(EPOCHS): t_inputs torch.randn(BATCH, 784) t_labels torch.randint(0, 10, (BATCH,)) t_out teacher(t_inputs) t_loss ce(t_out, t_labels) teacher_opt.zero_grad() t_loss.backward() teacher_opt.step() s_inputs torch.randn(BATCH, 784) with torch.no_grad(): teacher_soft teacher(s_inputs) s_out student(s_inputs) s_loss distillation_loss(s_out, teacher_soft, T2.0) student_opt.zero_grad() s_loss.backward() student_opt.step() if (epoch 1) % 10 0: print(fEpoch {epoch1}/{EPOCHS} | Teacher {t_loss.item():.4f} | Student {s_loss.item():.4f}) if __name__ __main__: main()跑起来你会看到 Student Loss 稳步下降。这就是最小闭环教师先练学生跟着教师的软输出学。4.5 把 API 教师接进蒸馏流程真实场景里教师不是本地 TeacherNet而是 TaoToken 后面的 deepseek-chat。你可以把数据集问题批量发给教师拿到回答后用文本嵌入或 logits 对齐的方式做蒸馏。下面是一个批量生成软标签的骨架def build_soft_labels(questions, modeldeepseek-chat): soft_labels [] for q in questions: ans teacher_generate(q, modelmodel) soft_labels.append({question: q, teacher_answer: ans}) return soft_labels questions [解释一下梯度下降, 什么是过拟合, KL散度用来做什么] labels build_soft_labels(questions) for item in labels: print(item[question], -, item[teacher_answer][:50])这一步跑通说明你的统一 Key 通道和蒸馏数据管线已经接上了。5. 验证请求与成功结果配置和代码都就位后先做一次最小验证确认 TaoToken 通道是通的。用 curl 直接打curl -X POST https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: deepseek-chat, messages: [{role: user, content: 用一句话解释知识蒸馏}] }成功返回的结构里会有choices[0].message.content内容大概是「知识蒸馏是让一个小模型模仿大模型输出分布来继承其能力的方法」。看到这个说明 Key、base_url、模型名三者都对上了。再跑一次 Python 验证print(teacher_generate(用一句话解释知识蒸馏))如果终端打印出合理回答且没有 401 / 404 / timeout那教师通道就稳了。接着跑 4.4 的训练脚本观察 Student Loss 是否从高位逐步下降。实测下来100 个 epoch 内学生 loss 通常能从 2.x 降到 0.5 以下具体取决于温度和 batch 设置。提示验证模型输出质量时可以到模型对话页手动对比不同教师模型的表现挑一个软标签质量最高的当教师。6. 本篇常见错排查报错 401 Unauthorized九成是 Key 没读到。检查TAOTOKEN_API_KEY是否在当前 shell 生效echo $TAOTOKEN_API_KEY看有没有值。Windows 下注意用$env:语法。报错 404 model not found模型名写错了。deepseek-chat这类名字要和文档里一致别自己拼。去接入文档核对当前可用模型列表。KL 散度出现 NaN温度 T 设太小或者学生输出 logits 爆炸。把 T 调到 2.0 以上或者在 softmax 前对 logits 做 clamp。Student Loss 不下降检查教师软标签是不是真的传给了学生。常见坑是torch.no_grad()包错位置或者 teacher_soft 被 detach 掉了。另外 alpha 权重如果全给了蒸馏损失学生可能学偏适当混入真实标签交叉熵。请求超时批量生成软标签时并发太高。把 batch 调小或者加重试逻辑。config.toml 里的max_retries就是干这个的。Key 泄露风险千万别把 Key 硬编码进 settings.json 提交到仓库。用环境变量或者用控制台做 Key 轮换。7. 下一步把蒸馏闭环用起来跑通最小闭环之后你可以往几个方向延伸。一是换教师模型做对比蒸馏同一批问题分别用 deepseek-chat 和 qwen-turbo 生成软标签看学生学哪个老师效果更好。二是做分层蒸馏先让中等模型学大模型再让小模型学中等模型DeepSeek 的成功秘诀里就有这一条。三是把学生模型部署到端侧验证推理速度和成本下降。如果你要长期跑这类蒸馏任务建议把 Key 管理和配额规划放到 Coding Plan 里统一处理批量生成软标签时不用反复手动换 Key。接入细节和参数说明都在接入文档里遇到通道问题先去 API Keys 页面确认 Key 状态再去文档核对 base_url 和模型名。整套流程跑顺之后你会发现「让小模型拥有大模型智慧」这件事门槛比想象中低很多。