GKD

GKD（Generalized Knowledge Distillation，广义知识蒸馏）训练算法由论文 On-Policy Distillation of Language Models: Learning from Self-Generated Mistakes 提出。该算法通过结合离线（off-policy）和在线（on-policy）学习策略，将教师模型的知识迁移到学生模型中。

损失函数

当给定输入序列 $x$ 与输出序列 $y$，GKD 的损失函数可以写为：

\[ \mathcal{L}_{\text{GKD}}(x, y) = \sum_{t=1}^{|y|} D(P_{\text{teacher}}(\cdot | x, y_{<t}), P_{\text{student}}(\cdot | x, y_{<t})) \]

其中：

$y_{<t} = (y_1, y_2, \ldots, y_{t-1})$：前 $t-1$ 个 token 的序列
$P_{\text{teacher}}(\cdot | x, y_{<t})$：教师模型在给定上下文 $x, y_{<t}$ 时的输出概率分布
$P_{\text{student}}(\cdot | x, y_{<t})$：学生模型在给定上下文 $x, y_{<t}$ 时的输出概率分布
$D(\cdot, \cdot)$：散度函数，用于度量两个概率分布之间的差异性

散度度量函数

KL 散度（Kullback-Leibler Divergence）

KL 散度是衡量两个概率分布 $P$ 和 $Q$ 之间差异的非对称度量：

\[ \text{KL}(P \| Q) = \sum_v P(v) \log \frac{P(v)}{Q(v)} = \mathbb{E}_{v \sim P}\left[\log \frac{P(v)}{Q(v)}\right] \]

Forward KL 与 Reverse KL

在知识蒸馏中，根据 KL 散度中两个分布的顺序不同，有两种选择：

Forward KL（前向 KL）

\[ \text{KL}(P_{\text{teacher}} \| P_{\text{student}}) = \sum_v P_{\text{teacher}}(v) \log \frac{P_{\text{teacher}}(v)}{P_{\text{student}}(v)} \]

特性：Mode-covering

期望在教师分布下计算
学生模型倾向于覆盖教师的整个分布（包括低概率区域）

Reverse KL（反向 KL）

\[ \text{KL}(P_{\text{student}} \| P_{\text{teacher}}) = \sum_v P_{\text{student}}(v) \log \frac{P_{\text{student}}(v)}{P_{\text{teacher}}(v)} \]

特性：Mode-seeking

期望在学生分布下计算
学生模型倾向于集中在教师模型的峰值区域（高概率区域）

广义 Jensen-Shannon 散度（Generalized JSD）

GKD 使用广义 JSD 作为核心度量，通过参数 $\beta \in [0, 1]$ 在 Forward KL 和 Reverse KL 之间进行平滑插值。

对于两个概率分布 $P$ 和 $Q$，广义 JSD 定义为：

\[ D_{\text{JSD}(\beta)}(P, Q) = \beta \cdot \text{KL}(P \| M) + (1-\beta) \cdot \text{KL}(Q \| M) \]

其中混合分布 $M$ 定义为：

\[ M = \beta \cdot P + (1-\beta) \cdot Q \]

当 $\beta = 0.5$ 时，退化为标准的对称 JSD
通过调节 $\beta$，可以在 Mode-seeking 和 Mode-covering 之间权衡

在 GKD 中，我们令 $P = P_{\text{teacher}}$，$Q = P_{\text{student}}$，因此：

\[ D_{\text{JSD}(\beta)}(P_{\text{teacher}}, P_{\text{student}}) = \beta \cdot \text{KL}(P_{\text{teacher}} \| M) + (1-\beta) \cdot \text{KL}(P_{\text{student}} \| M) \]

其中 $M = \beta \cdot P_{\text{teacher}} + (1-\beta) \cdot P_{\text{student}}$

对极端情况（$\beta = 0$ 或 $\beta = 1$），直接计算单个 KL 散度：

当 $\beta = 0$ 时：直接定义 $D = \text{KL}(P_{\text{teacher}} \| P_{\text{student}})$（Forward KL，Mode-covering）

当 $\beta = 1$ 时：直接定义 $D = \text{KL}(P_{\text{student}} \| P_{\text{teacher}})$（Reverse KL，Mode-seeking）

当 $0 < \beta < 1$ 时：使用上述混合分布公式进行插值

通过调节 $\beta$ 参数，可以在不同的散度度量之间进行插值，当 $\beta = 0.5$ 时，散度为标准的对称 JSD。

三种训练模式

GKD训练具有三种训练模式，区别在于输出序列 $y$ 的来源。

模式选择逻辑

训练时，每个样本按照以下优先级选择模式：

# 伪代码：模式选择逻辑
if random() < lmbda:
    # Mode 1: On-Policy 学习，由学生模型采样输出序列
    y = student.generate(x)
    source = "student"
elif seq_kd:
    # Mode 2: Sequential KD，由教师模型采样输出序列
    y = teacher.generate(x)
    source = "teacher"
else:
    # Mode 3: 使用数据集中的输出序列
    y = y_ground_truth
    source = "dataset"

# 相同的损失函数
loss = D_JSD(P_teacher(·|x,y), P_student(·|x,y))

Mode 1: On-Policy 学习

设置参数lambda, 以概率 $\lambda$ 触发，使用学生模型采样 $y \sim P_{\text{student}}(\cdot | x)$

学生模型从自己生成的序列中学习
暴露在自己可能犯的错误中，学会自我纠正和错误恢复
对齐训练分布与推理分布
提升模型的鲁棒性和实际应用表现

适用场景：

学生模型已有一定生成能力
希望提升模型在真实推理场景下的表现

Mode 2: Sequential KD（`seq_kd=True` 且未触发 on-policy）

设置参数 seq_kd=True, 当未触发 on-policy 时，使用教师模型采样

数据来源：$y \sim P_{\text{teacher}}(\cdot | x)$

Mode 3: 离线学习（其他情况）

数据来源：$y = y^* \sim \text{Dataset}$

学生模型从数据集的标注序列中学习

参数设置

我们可以通过设置以下参数进行 GKD 训练：

基础参数

参数	类型	默认值	取值范围	说明
`--teacher_model`	str	None	-	教师模型路径或模型 ID
`--beta`	float	0.5	[0.0, 1.0]	散度插值系数 • 0.0: Forward KL • 0.5: JSD (平衡) • 1.0: Reverse KL
`--lmbda`	float	0.5	[0.0, 1.0]	On-Policy 学习触发概率 • 0.0: 离线学习 • 0.5: 混合策略 • 1.0: 纯 On-Policy
`--seq_kd`	bool	False	True/False	是否使用教师生成序列 • False: 非 on-policy 时使用数据集 • True: 非 on-policy 时使用教师生成
`--temperature`	float	0.9	> 0	生成采样温度，控制随机性
`--sft_alpha`	float	0	>= 0	混合一定比例的sft loss，对非student生成结果生效
`--max_completion_length`	int	512	> 0	生成时的最大 token 数

Top-K KL 计算

默认情况下，GKD 使用完整词表计算 KL 散度，容易造成 OOM，这种情况下可以使用 Top-K 模式来减少显存占用和计算量。

参数	类型	默认值	说明
`--gkd_logits_topk`	int	None	Top-K logits 数量 • None: 使用完整词表（默认） • 正整数: 仅使用教师模型概率最高的 K 个 token 计算 KL

Top-K 模式原理：

在 Top-K 模式下，选取教师模型输出概率最高的 K 个 token，在这个子集上计算两个模型分布的 KL 散度。 $$ D_{\text{JSD}(\beta)}^{\text{top-k}}(P_T, P_S) = \beta \cdot \text{KL}(\tilde{P}_T \| \tilde{M}) + (1-\beta) \cdot \text{KL}(\tilde{P}_S \| \tilde{M}) $$

其中 Top-K 索引来自教师模型：$\text{Top-K} = \text{argtop}_K(P_T)$，$\tilde{P}_T$ 和 $\tilde{P}_S$ 是在 Top-K 子集上重新归一化的概率分布：

\[ \tilde{P}_T(v) = \frac{P_T(v)}{\sum_{v' \in \text{Top-K}} P_T(v')}, \quad \tilde{P}_S(v) = \frac{P_S(v)}{\sum_{v' \in \text{Top-K}} P_S(v')}, \quad v \in \text{Top-K} \]

使用示例：

swift rlhf \
    --rlhf_type gkd \
    --model Qwen/Qwen2.5-7B-Instruct \
    --teacher_model Qwen/Qwen2.5-72B-Instruct \
    --gkd_logits_topk 64 \
    --dataset your_dataset \
    ...

注意：Top-K 模式不能与 liger kernel 同时使用（--use_liger_kernel）。

外部教师模型 API

当设置 gkd_logits_topk 时，可以使用外部教师模型 API 服务来获取 logprobs，这样可以避免在训练进程中加载教师模型。

参数	类型	默认值	说明
`--teacher_model_server`	str	None	教师模型服务地址如：`http://localhost:8000`
`--gkd_logits_topk`	int	必需	使用外部 API 时必须设置，对应 API 返回的 top_logprobs 数量

步骤 1：部署教师模型服务

使用 swift deploy 部署教师模型（指定 --infer_backend vllm）：

CUDA_VISIBLE_DEVICES=0 \
swift deploy \
    --model Qwen/Qwen2.5-14B-Instruct \
    --infer_backend vllm \
    --port 8000 \
    --max_logprobs 64 \
    --max_length 4096 \
    --vllm_max_model_len 4096

步骤 2：启动 GKD 训练

swift rlhf \
    --rlhf_type gkd \
    --model Qwen/Qwen2.5-7B \
    --teacher_model_server http://localhost:8000 \
    --gkd_logits_topk 64 \
    --dataset your_dataset \
    --lmbda 1.0 \
    --beta 1.0 \
    ...

脚本示例参考这里

采样加速

在 GKD 训练中，涉及到两种在线采样的情况：

学生模型采样（当 lmbda > 0）：以 $\lambda$ 概率触发学生模型采样
教师模型采样（当 seq_kd=True）：以 $1-\lambda$ 概率触发教师模型采样

由于采样过程会显著减慢训练速度，可参考以下两种加速方案：

方案 1：学生模型采样加速

使用 vLLM 作为推理后端来加速学生模型采样，支持两种部署模式，与 GRPO 一致，参考GRPO文档, 相关参数参考GRPO vLLM 参数

注意：vLLM 加速仅适用于学生模型的 on-policy 采样（lmbda > 0）。教师模型的 sequential KD 采样（seq_kd=True）目前仍使用 Transformers，建议使用预采样方案。

训练脚本参考这里

方案 2：教师模型预采样

对于教师模型采样（seq_kd=True），推荐使用 预采样 方式：先用教师模型离线生成高质量数据，再进行训练。

步骤 1：使用教师模型生成数据

export teacher_model='OpenGVLab/InternVL3-8B'

NPROC_PER_NODE=4 \
CUDA_VISIBLE_DEVICES=0,1,2,3 \
swift infer \
    --model $teacher_model \
    --infer_backend vllm \
    --val_dataset 'modelscope/coco_2014_caption:validation#5000' \
    --vllm_gpu_memory_utilization 0.9 \
    --vllm_max_model_len 8192 \
    --max_new_tokens 2048 \
    --write_batch_size 1000 \
    --result_path teacher_generated_data.jsonl

步骤 2：使用预生成数据训练

swift rlhf \
    --rlhf_type gkd \
    --model OpenGVLab/InternVL3-2B-Pretrained \
    --teacher_model $teacher_model \
    --dataset 'teacher_generated_data.jsonl' \
    --seq_kd false \
    ...

训练脚本参考这里

On-Policy Distillation

我们可以通过设置以下参数实现 Thinking Machine Lab blog 中的On-Policy Distillation训练。

--lmbda 1 # on-policy
--beta 1 # reverse

OPSD（On-Policy Self-Distillation）

OPSD(On-Policy Self-Distillation) 是一种单模型自蒸馏方法，无需额外的教师模型。核心思想是：同一个模型同时扮演教师和学生，教师通过接收特权信息（如参考解答）来引导学生学习。

核心机制

学生：仅看到问题，正常推理
教师：看到问题 + 参考解答（通过 teacher_prompt 列提供特权信息），产出更优的概率分布
训练目标：用 JSD 散度对齐学生和教师的输出分布

两种自蒸馏模式

模式	参数配置	教师权重	说明
Dynamic（动态）	不传 `--teacher_model`	学生当前权重	教师随训练同步更新
Fixed（固定）	`--teacher_model` 设为与学生相同的模型	初始教师权重	教师权重固定

数据格式

OPSD 需要数据集包含 teacher_prompt 列来提供教师的特权信息。可通过 --external_plugins 加载数据处理插件来构建该列。

以数学推理数据集 open-r1/OpenThoughts-114k-math 为例：

from swift.dataset import DatasetMeta, RowPreprocessor, register_dataset

class OpenThoughtsOPSDPreprocessor(RowPreprocessor):
    def preprocess(self, row):
        if not row.get('correct', True):
            return None
        problem = row.get('problem', '')
        solution = row.get('solution', '')
        # 教师看到问题 + 参考解答
        teacher_prompt = f'{problem}\n\nReference solution:\n{solution}\n\nNow articulate your own reasoning.'
        messages = [
            {'role': 'system', 'content': 'Please reason step by step, and put your final answer within \\boxed{}.'},
            {'role': 'user', 'content': problem},
        ]
        return {'messages': messages, 'teacher_prompt': teacher_prompt}

register_dataset(DatasetMeta(
    ms_dataset_id='open-r1/OpenThoughts-114k-math',
    preprocess_func=OpenThoughtsOPSDPreprocessor(),
    tags=['math', 'opsd'],
))

参数设置

OPSD 复用 GKD 的所有参数，核心区别在于 --teacher_model 的配置：

参数	Dynamic 模式	Fixed 模式
`--teacher_model`	不设置	设为与 `--model` 相同的模型

参考脚本参考这里

Megatron脚本参考这里

GKD

损失函数

散度度量函数

KL 散度（Kullback-Leibler Divergence）

Forward KL 与 Reverse KL

Forward KL（前向 KL）

Reverse KL（反向 KL）

广义 Jensen-Shannon 散度（Generalized JSD）

三种训练模式

模式选择逻辑

Mode 1: On-Policy 学习

Mode 2: Sequential KD（seq_kd=True 且未触发 on-policy）

Mode 3: 离线学习（其他情况）

参数设置

基础参数

Top-K KL 计算

外部教师模型 API

采样加速

方案 1：学生模型采样加速

方案 2：教师模型预采样

On-Policy Distillation

OPSD（On-Policy Self-Distillation）

核心机制

两种自蒸馏模式

数据格式

参数设置

Mode 2: Sequential KD（`seq_kd=True` 且未触发 on-policy）