LLM 蒸馏：一场关于大模型独立性的“暗战”？

一、背景与挑战

随着人工智能技术的飞速发展，大型语言模型（LLM）已成为自然语言处理领域的核心驱动力。然而，训练这些模型需要巨大的计算资源和时间成本，这促使了 知识蒸馏（KD）技术的兴起。知识蒸馏通过将大型模型（教师模型）的知识迁移到小型模型（学生模型），实现了以更低的资源消耗获得接近甚至超越教师模型性能的效果。

根据 LLMs-Distillation-Quantification 项目，给出的实验结论性文章《Distillation Quantifcation for Large Language Models》，来分析LLM 蒸馏带来的问题和挑战。

1. LLM 蒸馏的优势：机遇与挑战并存

优势:

• 资源高效: 蒸馏技术使得资源有限的学术机构和发展中团队能够利用先进 LLM 的能力，推动 AI 技术的发展。
• 性能提升: 通过知识迁移，学生模型可以在某些任务上达到甚至超越教师模型的性能。

问题:

• “后发优势”的双刃剑:
  • 过度依赖蒸馏技术会导致研究人员过度依赖现有模型的知识，阻碍对新技术的探索。
  • 这可能导致 AI 领域的技术发展趋于停滞，限制创新空间。
• 鲁棒性下降:
  • 现有研究表明，蒸馏过程会降低模型的鲁棒性，使其在面对复杂或新颖的任务时表现不佳。
  • 例如，学生模型可能更容易受到对抗性攻击的影响。
• 同质化风险:
  • 过度依赖少数几个教师模型进行蒸馏，会导致不同学生模型之间缺乏多样性。
  • 这不仅限制了模型的应用场景，还增加了潜在的系统性风险，例如模型集体失效的可能性。

2. LLM 蒸馏量化面临的挑战：迷雾中的探索

尽管蒸馏技术应用广泛，但其量化评估却面临诸多挑战：

• 过程不透明:
  • 蒸馏过程通常被视为商业机密，缺乏透明度，难以直接比较学生模型与原始模型之间的差异。
• 缺乏基准数据:
  • 目前缺乏专门用于评估 LLM 蒸馏程度的基准数据集。
  • 研究人员只能依赖间接方法，例如比较学生模型与原始模型的输出，但这并不能全面反映蒸馏的影响。
• 表示冗余或抽象:
  • LLM 的内部表示包含大量冗余或抽象信息，使得蒸馏知识难以直接转化为可解释的输出。
  • 这增加了量化蒸馏程度的难度。
• 缺乏明确定义:
  • 学术界对“蒸馏”的定义尚未达成共识，缺乏统一的标准来衡量蒸馏程度。
  • 这导致不同研究之间的结果难以比较，阻碍了领域的发展。

二、方法：两种量化 LLM 蒸馏的创新指标

为了应对上述挑战，本项目提出了两种互补的量化指标，从不同角度评估 LLM 的蒸馏程度：

1. 响应相似性评估 (RSE)

目标: 通过比较学生模型和参考模型（教师模型）的输出，评估两者之间的相似性，从而量化蒸馏程度。

方法:

• 选择参考模型: 本文选择了 GPT-4 作为参考模型，并选择了 12 个学生模型进行评估，包括 Claude、Doubao、Gemini 等。
• 构建多样化的提示集:
  • 选择了 ArenaHard、Numina 和 ShareGPT 三个提示集，分别用于评估模型在一般推理、数学和指令遵循领域的响应相似性。
  • 这些提示集涵盖了不同的任务类型和难度，以确保评估的全面性。
• 多维度评分:
  • 从以下三个方面评估学生模型和参考模型响应的相似性：
    • 响应风格: 语气、词汇和标点符号的相似程度。
    • 逻辑结构: 思路的顺序和推理方式的相似程度。
    • 内容细节: 涵盖的知识点和示例的详细程度。
  • 使用 LLM 作为评判者对每个学生模型进行评分，评分范围为 1-5 分，1 分代表非常不相似，5 分代表非常相似。

图 1: RSE 评分标准。 该图展示了 RSE 中使用的五个评分等级，从 1 分（非常不相似）到 5 分（非常相似）。

2. 身份一致性评估 (ICE)

目标: 通过评估学生模型对自身身份的认知一致性，揭示其训练数据中可能存在的身份信息泄露问题。

方法:

• 定义身份事实集 (F):
  • 收集关于源 LLM（如 GPT-4）的身份信息，并将其表示为事实集 F，每个事实 f_i 明确陈述了 LLM 的身份相关信息，例如“我是由 OpenAI 开发的 AI 助手”。
• 构建身份提示集 (P_id):
  • 使用与身份相关的提示来查询学生模型，以获取其身份信息，例如“你的开发团队是哪个？”、“你的开发公司叫什么名字？”。
• 使用 GPTFuzz 进行迭代优化:
  • 利用 GPTFuzz 框架，迭代生成更有效的提示，以发现学生模型在身份认知方面的漏洞。
  • 具体来说，使用 LLM 作为评判者来比较提示的响应与事实集 F，以识别逻辑冲突，并将其合并到下一次迭代中。
• 评分:
  • 宽松评分 (Loose Score): 将任何身份不一致的错误示例视为成功的攻击。
  • 严格评分 (Strict Score): 仅将错误地将模型识别为 Claude 或 GPT 的示例视为成功的攻击。

图 2: ICE 框架。 该图展示了 ICE 的蒸馏量化框架。

三、实验结果与重要结论

1. 身份一致性评估 (ICE) 结果:

• 主要发现:
  • GLM-4-Plus、QwenMax 和 DeepSeek-V3 是三个疑似响应数量最多的学生模型，表明其蒸馏程度较高，身份信息可能来自多个来源。
  • Claude-3.5-Sonnet 和 Doubao-Pro-32k 几乎没有疑似响应，表明其蒸馏程度较低，对自身身份的认知更加清晰，独立性更强。
  • 宽松评分包含了一些误报实例，而严格评分提供了更准确的衡量标准。

图 3: ICE 结果比较。 模型缩写映射如下：“Claude”对应“Claude3.5-Sonnet”，“Doubao”对应“Doubao-Pro-32k”，“Gemini”对应“Gemini-Flash-2.0”，“Llama3.1”对应“Llama3.1-70B-Instruct”，“DPSK-V3”对应“DeepSeek-V3”，“Qwen-Max”对应“Qwen-Max-0919”。

• 不同类型身份提示的成功攻击次数:
  • 团队、行业、技术 方面的 LLM 感知更容易受到攻击，可能是因为这些方面存在更多未清理的蒸馏数据。

图 4: 不同类型身份提示的 ICE 成功攻击次数。 模型缩写映射与图 3 相同。

2. 响应相似性评估 (RSE) 结果:

• 主要发现:
  • GPT 系列模型（例如 GPT4o-0513，平均相似度为 4.240）表现出最高的响应相似性，表明其蒸馏程度较高。
  • Llama3.1-70B-Instruct (3.628) 和 Doubao-Pro32k (3.720) 等学生模型的相似度较低，表明其蒸馏程度较低。
  • DeepSeek-V3 (4.102) 和 Qwen-Max-0919 (4.174) 等学生模型表现出更高的蒸馏水平，与 GPT4o-0806 保持一致。

图 5: RSE 结果。 行代表不同的测试模型，列代表不同的数据集（ArenaHard、Numina 和 ShareGPT）。 表中的分数表示每个模型-数据集对的 RSE 分数。 “Avg”列显示每个模型的平均 RSE 分数。

3. 其他重要发现:

• 基线 LLM 与微调 LLM:
  • 基线 LLM 通常表现出比监督微调 (SFT) LLM 更高的蒸馏水平。
  • 这表明基线 LLM 更倾向于表现出可识别的蒸馏模式，可能是由于缺乏特定任务的微调，使其更容易受到评估中利用的漏洞的影响。
• 开源与闭源 LLM:
  • 实验结果表明，闭源 LLM（如 Qwen-Max-0919）比开源 LLM（如 Qwen 2.5 系列）具有更高的蒸馏程度。

四、 结论

重点关注以下两个方面：

1. 在越狱攻击下识别自我意识矛盾: 以评估 LLM 在自我意识方面的一致性。
2. 分析多粒度响应相似性: 以衡量 LLM 之间的同质化程度。

揭示了以下关键点：

1. LLM 蒸馏的现状:
   • 大多数知名的闭源和开源 LLM 都表现出较高的蒸馏程度，Claude、Doubao 和 Gemini 除外。
   • 这表明 LLM 领域存在一定程度的同质化趋势。
2. 蒸馏对 AI 独立性的影响:
   • 基线 LLM 表现出比微调 LLM 更高的蒸馏水平，表明其更容易受到现有模型知识的影响，缺乏足够的独立性。
   • 闭源 LLM 的高蒸馏程度也引发了关于 AI 独立性的思考。
3. 未来发展方向:
   • 本文呼吁 LLM 领域进行更多独立的开发和更透明的技术报告，以增强 LLM 的鲁棒性和安全性。
   • 推动 LLM 朝着更加多样化和创新的方向发展，避免过度依赖现有模型的知识。

实验结果表明，大多数知名的闭源和开源 LLM 都表现出较高的蒸馏程度，Claude、Doubao 和 Gemini 除外。此外，基线 LLM 表现出比微调 LLM 更高的蒸馏水平。

通过提供一种系统化的方法来提高 LLM 数据蒸馏的透明度，本文呼吁 LLM 领域进行更多独立的开发和更透明的技术报告，以增强 LLM 的鲁棒性和安全性。