研究者提出LLM迭代加SLM蒸馏的智能体部署法
热点事件持续更新
研究者提出LLM迭代加SLM蒸馏的智能体部署法
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
研究者 Keegan Wang 等人提出一种智能体部署方法：先在前沿大模型上通过提示词空间迭代开发目标行为，待行为收敛后，再把真实生产记录（而非合成模仿数据）通过监督微调蒸馏进小模型。 在家庭护理排班智能体案例中，基于 11.6k 条生产决策用 LoRA 微调的 Qwen3-8B 达到 0.913 一致率，而教师模型 GPT-5.4-nano 的自我一致率仅 72.7%。该小模型中位延迟降低约 2.5 倍，成本仅为前者一小部分。
AI 根据报道生成 · 1 小时前更新
最新进展10月15日 12:00
在前沿 LLM 上迭代，在 SLM 上部署：一种智能体行为蒸馏方法报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv cs.AI在前沿 LLM 上迭代，在 SLM 上部署：一种智能体行为蒸馏方法
研究者提出先在前沿模型上通过提示词空间迭代开发目标行为，再将真实生产记录蒸馏进小模型。在家庭护理排班智能体案例中，基于 11.6k 条生产决策用 LoRA 微调的 Qwen3-8B 达到 0.913 一致率，而教师模型 GPT-5.4-nano 自我一致率仅 72.7%。该 SLM 中位延迟降低约 2.5 倍，成本仅为前者一小部分。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。