Distillation en boîte noire de modèles de langage de grande taille par politique en ligne
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
La distillation en boîte noire crée des modèles de langage de grande taille (LLM) étudiants en apprenant uniquement à partir des sorties textuelles d'un modèle enseignant propriétaire, sans accès à ses logits internes ou paramètres. Dans ce travail, nous introduisons la Distillation Générative Adversaire (GAD), qui permet une distillation en boîte noire et sur la politique. GAD cadre le LLM étudiant comme un générateur et entraîne un discriminateur à distinguer ses réponses de celles du LLM enseignant, créant un jeu minimax. Le discriminateur agit comme un modèle de récompense sur la politique qui co-évolue avec l'étudiant, fournissant un retour d'information stable et adaptatif. Les résultats expérimentaux montrent que GAD surpasse constamment la distillation de connaissances au niveau séquentiel couramment utilisée. En particulier, Qwen2.5-14B-Instruct (étudiant) entraîné avec GAD devient comparable à son enseignant, GPT-5-Chat, sur l'évaluation automatique LMSYS-Chat. Ces résultats établissent GAD comme un paradigme prometteur et efficace pour la distillation de LLM en boîte noire.
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.