当大模型军备竞赛让算力成本高不可攀，前OpenAI首席技术官Mira Murati领衔的Thinking Machines Lab，正用一项名为“在线策略蒸馏”（On-Policy Distillation）的突破性技术，为行业按下“重启键”。最新研究显示:仅80亿参数的小模型，经此方法训练后，性能可达32B大模型的70%，而训练成本骤降90%，效率提升50至100倍——这意味着，中小企业甚至个人开发者，也能以极低成本训练出媲美巨头的专用AI。
50-100倍效率跃升:150步干翻1.8万GPU小时
传统强化学习（RL）训练动辄需数万步迭代与海量算力。以数学推理任务AIME'24为例，纯RL方法耗费17，920个GPU小时，准确率仅68%;而采用在线策略蒸馏的Qwen3-8B模型，仅150步训练即达70%准确率，计算开销几乎可忽略。
其核心在于“每token密集反馈”机制:不同于RL仅在回合结束给予稀疏奖励，在线蒸馏让教师模型对学生生成的每一个token实时评分，提供连续、精准的指导信号。这不仅加速收敛，更有效防止长序列训练中的“策略漂移”，让小模型在有限资源下稳定输出高质量结果。
破解“灾难性遗忘”:学新知识不忘旧本领
AI模型在注入新知识时常“忘本”——实验显示，某模型经内部文档微调后，指令遵循能力从85%暴跌至45%。而在线策略蒸馏通过实时轨迹采样+教师逐步校正，在保留41%新知识的同时，将原有能力迅速恢复至83%，远超传统微调或离线蒸馏。
这一特性使其特别适合企业场景:模型可动态学习业务新规、产品文档，而不丢失基础对话、工具调用等核心能力，真正实现“持续进化”。
四步闭环:简洁架构，普惠落地
该方法实现极为轻量，仅需四步闭环:
部署教师模型（如32B大模型）作为监督源;
学生模型生成响应轨迹;
教师计算每个token的对数概率;
以反向KL散度为损失，优化学生参数。
无需复杂基础设施，兼容现有蒸馏框架，即可实现“廉价而准确”的性能跃迁。论文指出，该技术可无缝扩展至代码生成、多模态推理等任务，为“教师-学生”协同训练开辟新路径。
Mira Murati的“降维打击”:AI民主化的关键钥匙
作为OpenAI前CTO，Murati将大模型训练的实战经验反哺于高效小模型生态。在AI安全与对齐日益重要的今天，在线策略蒸馏不仅提升效率，更通过可控的知识迁移，增强模型行为的可预测性。
行业专家预测，该技术将极大推动开源模型与边缘AI的发展——当8B模型能胜任32B任务，手机、IoT设备乃至本地服务器，都将成为高性能AI的载体。智能，正从“云端垄断”走向“人人可及”。
这场由Murati掀起的训练革命，或许正是AI从“巨头游戏”迈向“普惠工具”的转折点。当小模型也能“聪明”如大模型，真正的智能民主化时代，才刚刚开始。