Destilación de Política en Caja Negra de Modelos de Lenguaje a Gran Escala
Black-Box On-Policy Distillation of Large Language Models
November 13, 2025
Autores: Tianzhu Ye, Li Dong, Zewen Chi, Xun Wu, Shaohan Huang, Furu Wei
cs.AI
Resumen
La destilación de caja negra crea modelos de lenguaje grandes (LLM) estudiantiles aprendiendo únicamente de las salidas de texto de un modelo maestro propietario, sin acceso a sus logits internos o parámetros. En este trabajo, presentamos la Destilación Adversarial Generativa (GAD), que permite la destilación en política y de caja negra. GAD enmarca al LLM estudiante como un generador y entrena a un discriminador para distinguir sus respuestas de las del LLM maestro, creando un juego minimax. El discriminador actúa como un modelo de recompensa en política que co-evoluciona con el estudiante, proporcionando retroalimentación estable y adaptable. Los resultados experimentales muestran que GAD supera consistentemente a la destilación de conocimiento a nivel de secuencia, comúnmente utilizada. En particular, Qwen2.5-14B-Instruct (estudiante) entrenado con GAD se vuelve comparable a su maestro, GPT-5-Chat, en la evaluación automática LMSYS-Chat. Los resultados establecen a GAD como un paradigma prometedor y efectivo para la destilación de LLM de caja negra.
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.