Black-Box On-Policy Destillation großer Sprachmodelle
Black-Box On-Policy Distillation of Large Language Models
November 13, 2025
papers.authors: Tianzhu Ye, Li Dong, Zewen Chi, Xun Wu, Shaohan Huang, Furu Wei
cs.AI
papers.abstract
Black-Box-Distillation erzeugt studentische Large Language Models (LLMs), indem sie ausschließlich aus den Textausgaben eines proprietären Lehrermodells lernen, ohne Zugang zu dessen internen Logits oder Parametern. In dieser Arbeit führen wir Generative Adversarial Distillation (GAD) ein, welches On-Policy- und Black-Box-Distillation ermöglicht. GAD formuliert das studentische LLM als Generator und trainiert einen Discriminator, um dessen Antworten von denen des Lehrermodells zu unterscheiden, wodurch ein Minimax-Spiel entsteht. Der Discriminator fungiert als ein On-Policy-Belohnungsmodell, das sich gemeinsam mit dem Studenten weiterentwickelt und dadurch stabile, adaptive Rückmeldungen liefert. Experimentelle Ergebnisse zeigen, dass GAD durchgängig die häufig verwendete Sequenz-level Wissensdistillation übertrifft. Insbesondere wird Qwen2.5-14B-Instruct (Student), das mit GAD trainiert wurde, auf der LMSYS-Chat automatischen Bewertung vergleichbar mit seinem Lehrer, GPT-5-Chat. Die Ergebnisse etablieren GAD als ein vielversprechendes und effektives Paradigma für die Black-Box-Distillation von LLMs.
English
Black-box distillation creates student large language models (LLMs) by learning from a proprietary teacher model's text outputs alone, without access to its internal logits or parameters. In this work, we introduce Generative Adversarial Distillation (GAD), which enables on-policy and black-box distillation. GAD frames the student LLM as a generator and trains a discriminator to distinguish its responses from the teacher LLM's, creating a minimax game. The discriminator acts as an on-policy reward model that co-evolves with the student, providing stable, adaptive feedback. Experimental results show that GAD consistently surpasses the commonly used sequence-level knowledge distillation. In particular, Qwen2.5-14B-Instruct (student) trained with GAD becomes comparable to its teacher, GPT-5-Chat, on the LMSYS-Chat automatic evaluation. The results establish GAD as a promising and effective paradigm for black-box LLM distillation.