大型语言模型（LLM）的发展迅速，从简单对话系统进化到能执行复杂任务的先进模型。然而，这些模型的规模和计算需求呈指数级增长，给学术界和工业界带来了挑战。为解决这一问题，知识蒸馏技术应运而生，旨在将大型模型的知识转移给更小、更易管理的学生模型。Google Research 提出的“Distilling Step-by-Step”方法不仅减小了模型规模，还通过提取推理过程使学生模型在某些任务上超越教师模型。该方法通过多任务学习框架，训练学生模型同时预测标签和生成推理过程，从而实现更高效、更智能的小型化模型。这为资源有限的研究者和开发者提供了新的解决方案，推动了AI技术的普及与应用。
