本文详细介绍了将DeepSeek-R1-70B教师模型知识蒸馏至Qwen-1.5B学生模型的过程。文章分为准备阶段(选择模型和构建数学、问答、代码、科学知识数据集)和蒸馏阶段(RTX 4090环境下使用Unsloth工具和LoRA微调技术)，使小模型获得大模型能力的同时降低计算成本。
知识蒸馏是将大型教师模型知识迁移至小型学生模型的技术，能让小模型在保持高性能时降低计算与资源消耗。
如何将DeepSeek-R1 模型能力蒸馏到 Qwen-1.5B，使其具备与 o1-mini 相似的能力？该过程分准备和蒸馏两阶段，准备阶段选定教师（R1）和学生（Qwen-1.5B）模型，蒸馏阶段将教师知识提炼给学生模型，达成降低计算成本目的。
一、准备阶段
如何选择教师模型与学生模型？选择一个性能优秀的大型神经网络作为教师模型，并设计一个结构相对简单的小型神经网络作为学生模型。
DeepSeek-R1-70B，一个经过大规模强化学习训练出的教师模型，在数学、编程等推理任务上表现出色。
Qwen-1.5B，一个参数较少、计算资源需求较低的学生模型，需要通过蒸馏过程学习R1的推理能力。
如何**构建蒸馏数据集？选择一个与R1模型训练时相似或相关的数据集。这个数据集应该包含足够的样本，以覆盖R1模型所擅长的各种任务和场景。
（1）数学推理：meta-math/GSM8K_zh（中文数学题）
（2）通用问答：m-a-p/COIG-CQIA（逻辑推理、生活场景）
（3）代码生成：HuggingFace BigCode（编程问题与解决方案）
（4）科学知识：Haijian/Advanced-Math（高阶数学证明）
数据集统一为结构化JSON格式，包含指令（instruction）和带推理链的响应（response）
{ "instruction": "解方程√(5−√(5+x))=x", "response": "<think> 首先平方两边得到5−√(5+x)=x²，再次平方整理得x⁴−2ax²−x+(a²−a)=0... <answer>解的和为1</answer>" }二、蒸馏阶段
如何进行知识蒸馏？在配备RTX 4090显卡（24GB显存）并使用支持4位量化训练的Unsloth工具环境下，将原始数据转为带推理链的JSON格式后，加载Qwen-1.5B学生模型、配置LoRA微调并启用DeepSeek-R1-70B教师模型输出引导，在低显存消耗下完成知识蒸馏 。
（1）硬件与工具准备
硬件配置：RTX 4090显卡（24GB显存）
工具：Unsloth，支持4位量化训练，显存占用降低70%
（2）数据预处理
将原始数据转换为带推理链的JSON格式
{ "instruction": "用户问：退货需要几天？", "response": " 根据平台规则，退货审核需1工作日，物流回传需3-5工作日<answer>约3-7天</answer>" }（3）一键启动蒸馏训练
使用unsloth库的FastLanguageModel，通过4位量化高效加载Qwen-1.5B学生模型，并配置LoRA（仅训练0.1%参数）进行微调，同时启用DeepSeek-R1-70B教师模型的输出引导，在RTX4090上以低显存消耗完成蒸馏训练。
from unsloth import FastLanguageModel # 4位量化加载模型（显存节省70%） model, tokenizer = FastLanguageModel.from_pretrained( model_name = "Qwen/Qwen-1.5B", max_seq_length = 2048, load_in_4bit = True, ) # 配置LoRA训练（仅训练0.1%参数） model = FastLanguageModel.get_peft_model( model, r = 8, # LoRA秩 target_modules = ["q_proj", "v_proj"], # 仅改注意力层 ) # 启动训练（RTX4090可运行） model.train( training_data = "data.jsonl", epochs = 3, learning_rate = 2e-5, batch_size = 4, use_teacher_logits = True, # 启用教师模型输出引导 teacher_model = "DeepSeek-R1-70B" # 指定教师模型 )如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2025 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
（支持资料、图片参考_相关定制）_文章底部可以扫码)
（支持资料、图片参考_相关定制）_文章底部可以扫码)
