知识蒸馏 Knowledge Distillation 序列的联合概率 分解成 基于历史的条件概率的连乘序列

知识蒸馏 Knowledge Distillation 序列的联合概率 分解成 基于历史的条件概率的连乘序列

flyfish

代码实践

论文 Generalized Knowledge Distillation (GKD)
On-Policy Distillation of Language Models: Learning from Self-Generated Mistakes

自回归分解 将 “序列的联合概率” 分解成 “基于历史的条件概率的连乘序列”

自回归

以句子“你现在读的这句话”为例

首先明确句子的token时序顺序（从左到右，依次生成）：
第1个token：你 → 第2个token：现 → 第3个token：在 → 第4个token：读 → 第5个token：的 → 第6个token：这 → 第7个token：句 → 第8个token：话

自回归的核心逻辑是：每个“当前token”只依赖“它前面所有已生成的历史token”（即左侧的、早于它的token），与右侧未生成的token无关。具体依赖关系如下：

当前token	生成顺序	依赖的“历史token”（仅左侧已生成的）	不依赖的内容（右侧未生成的）
你	第1步	无（第一个生成的token，仅依赖输入prompt，如“请说一句话：”）	现、在、读、的、这、句、话
现	第2步	仅依赖第1个token“你”	在、读、的、这、句、话
在	第3步	依赖第1-2个token“你、现”	读、的、这、句、话
读	第4步	依赖第1-3个token“你、现、在”	的、这、句、话
的	第5步	依赖第1-4个token“你、现、在、读”	这、句、话
这	第6步	依赖第1-5个token“你、现、在、读、的”	句、话
句	第7步	依赖第1-6个token“你、现、在、读、的、这”	话
话	第8步	依赖第1-7个token“你、现、在、读、的、这、句”	无（最后一个token）

生成过程

语言模型生成“你现在读的这句话”的过程，就像人写字“一笔接一笔、从左到右”：

1. 第一步：看到prompt（比如“请写一个日常场景的短句”），先写出第一个字“你”——此时只需要考虑“prompt要求”，不需要想后面要写什么；
2. 第二步：写完“你”后，思考“‘你’后面接什么字合理”，选择“现”——只看已经写好的“你”，不看还没写的“在、读、的…”；
3. 第三步：写完“你、现”后，思考“‘你现’后面接什么字合理”，选择“在”——只看已经写好的“你、现”，不看后面的“读、的…”；
4. 以此类推，直到写完最后一个字“话”——每一步的选择，都只基于“左边已经写好的内容”，右侧的内容是“下一步才会生成的”，当前步骤完全无法预知，自然也无法依赖。

这里为了简单介绍一个字是一个token，实际会有多种token算法

自回归的“自”（自身历史），特指**“自身左侧已生成的时序历史”，而非“整个句子的所有内容”。原则是：
文本生成是“单向时序过程”，后面的token还没被模型生成，当前token只能“回头看左边的历史”，不能“超前看右边的未来”自回归语言生成是严格按“从左到右”的时序展开**，当前token只能依赖“它左边已经生成的历史token”，绝不可能依赖“右边还没生成的token”。

条件链式法则的序列形式

自回归分解的公式
$$P(y_1,\dots ,y_L\mid x)=\prod _{n=1}^{L}P\left(y_n\mid y_{<n},x\right)$$
本质是条件概率链式法则的直接推广。

回顾基础链式法则：对于随机变量序列 $Y_1,Y_2,\dots ,Y_L$ 和给定的条件变量 $X$，它们的条件联合概率可以分解为一系列条件概率的乘积。这里的关键是：

• 每一步的条件概率 $P(y_n\mid y_{<n},x)$ 只依赖于“之前所有已出现的变量 $y_{<n}=(y_1,\dots ,y_{n-1})$”和“外部条件 $x$”；
• 整个序列的联合概率被拆解为 L个“局部条件概率”的连乘，将高维联合概率的计算转化为低维条件概率的乘积，大幅降低了建模难度。

为什么自回归分解是“最优解”？

语言模型的核心任务是建模文本序列的概率分布（如“一句话是否合理”“下一个词是什么”），而自回归分解完美适配语言的“时序特性”，主要原因有三点：

1. 符合语言的“顺序生成特性”

人类语言天然是时序序列：说话/写作时，我们总是“先说出第一个词，再根据第一个词说第二个词，以此类推”。自回归分解恰好模拟了这一过程——每个词 $y_n$ 的生成只依赖于“已经说过的词 $y_{<n}$”和“上下文提示 $x$”，与人类语言生成的直觉一致。

2. 降低建模复杂度

直接建模整个序列的联合概率 $P(y_1,\dots ,y_L\mid x)$ 几乎不可能：对于词汇表大小为 $V$ 的语言，序列长度为 $L$ 的可能组合有 $V^L$ 种，无法直接枚举或存储。

而自回归分解将问题转化为逐一生成每个位置的词，只需建模 $P(y_n\mid y_{<n},x)$——这个条件概率的“输入维度”是“已生成序列 $y_{<n}$ + 提示 $x$”，输出是“下一个词 $y_n$ 的概率分布”，可以用神经网络（如Transformer）高效建模。

3. 支持“增量生成”

语言模型的核心功能之一是生成文本（如续写、翻译），自回归分解天然支持“增量生成”：

• 第一步：根据提示 $x$ 生成第一个词 $y_1$，即采样自 $P(y_1\mid x)$；
• 第二步：根据 $x$ 和 $y_1$ 生成 $y_2$，采样自 $P(y_2\mid y_1,x)$；
• …
• 第L步：根据 $x$ 和 $y_1,\dots ,y_{L-1}$ 生成 $y_L$，最终得到完整序列。

自回归语言模型的生成逻辑——每一步只需要“看前面的词”，就能继续生成下一个词。

语言模型如何“学习”这个分解？

语言模型的训练目标，本质上是通过海量文本数据，学习自回归分解中的每个条件概率 $P(y_n\mid y_{<n},x)$。

具体来说：

• 训练数据是大量文本序列（如句子、段落），每个序列可视为 $(x,y_1,\dots ,y_L)$（其中 $x$ 可能是序列的前缀，或空提示）；
• 模型通过“预测下一个词”的任务学习条件概率：给定 $x$ 和 $y_{<n}$，模型输出对 $y_n$ 的概率分布，通过交叉熵损失优化，让模型的预测尽可能接近真实文本中 $y_n$ 的出现概率；
• 训练完成后，模型就能对“任意前缀序列”输出下一个词的合理概率分布，从而支持生成连贯的文本。

一句话的自回归分解

以生成句子“我爱吃苹果”（假设 $x$ 为空提示，即生成独立句子）为例，其概率可分解为：
$$P(\text{我},\text{爱},\text{吃},\text{苹果})=P(\text{我})\times P(\text{爱}\mid \text{我})\times P(\text{吃}\mid \text{我},\text{爱})\times P(\text{苹果}\mid \text{我},\text{爱},\text{吃})$$

• $P(\text{我})$：第一个词是“我”的概率（语言模型中，通常会给句首词一个先验分布）；
• $P(\text{爱}\mid \text{我})$：在“我”之后接“爱”的概率（比如“我”后面更可能接“爱”“是”“想”等词，而不是“苹果”“跑步”）；
• 以此类推，每个步骤的概率都依赖于前面的词，最终乘积就是整个句子的联合概率。
  自回归分解是将“序列的联合概率”分解成“基于历史的条件概率的连乘序列”，而这个分解过程是条件概率链式法则——但它不是“任意的链式法则”，而是加了“自回归约束”的链式法则应用。

第一步：先明确“自回归分解分解的是什么？”

自回归分解的核心目标，是把“一个token序列（比如句子）的整体概率”拆解开，变成“每一步生成token的局部概率”，方便语言模型计算和预测。
比如，对于一个长度为n的token序列 X = [x₁, x₂, x₃, ..., xₙ]（x₁是第一个token，xₙ是最后一个token），我们要分解的是这个序列的联合概率 P(X) = P(x₁, x₂, x₃, ..., xₙ)。

为什么要分解？因为直接计算“整个序列同时出现”的联合概率非常困难（可能性太多），但分解成“每一步基于前面内容的条件概率”后，模型只需要预测“当前token在历史token下的概率”，难度会大幅降低。

第二步：自回归分解如何用“条件概率链式法则”？

条件概率链式法则是概率论的基础规则：多个随机变量的联合概率，可分解为第一个变量的边缘概率，乘以第二个变量在第一个变量条件下的概率，再乘以第三个变量在第一、二个变量条件下的概率……以此类推。

对序列 X = [x₁, x₂, ..., xₙ]，通用的条件概率链式法则是这样的：
$$P(x_1,x_2,...,x_n)=P(x_1)\times P(x_2|x_1)\times P(x_3|x_1,x_2)\times P(x_4|x_1,x_2,x_3)\times ...\times P(x_n|x_1,x_2,...,x_{n-1})$$

而自回归分解，就是完全遵循这个链式法则，但额外加了一个“自回归约束”：
约束：对于第k个token xₖ，它的条件依赖只能是“它前面所有已生成的历史token（x₁到xₖ₋₁）”，绝对不能依赖“它后面未生成的token（xₖ₊₁到xₙ）”。

自回归分解没有“发明新的分解规则”，而是把“条件概率链式法则”直接用在了“时序序列”上——因为语言生成是“从左到右、先有历史再有当前”的单向过程，后面的token还没生成，自然无法成为当前token的依赖，这就和链式法则中“xₖ只依赖x₁到xₖ₋₁”的形式完美匹配。

第三步：用具体例子看“自回归分解的结果”

还是用之前的句子“你现在读的这句话”，对应的token序列 X = [x₁=你, x₂=现, x₃=在, x₄=读, x₅=的, x₆=这, x₇=句, x₈=话]。

根据自回归分解（基于条件链式法则），这个序列的联合概率会被分解成以下条件概率的连乘序列：
$$\begin{array}{rl}P(你,现,在,读,的,这,句,话)& =P(你)\text{（第一个token，无历史，只看边缘概率）}\\ & \times P(现\mid 你)\text{（第二个token，依赖前1个历史token“你”）}\\ & \times P(在\mid 你,现)\text{（第三个token，依赖前2个历史token“你、现”）}\\ & \times P(读\mid 你,现,在)\text{（第四个token，依赖前3个历史token）}\\ & \times P(的\mid 你,现,在,读)\text{（第五个token，依赖前4个）}\\ & \times P(这\mid 你,现,在,读,的)\text{（第六个token，依赖前5个）}\\ & \times P(句\mid 你,现,在,读,的,这)\text{（第七个token，依赖前6个）}\\ & \times P(话\mid 你,现,在,读,的,这,句)\text{（第八个token，依赖前7个）}\end{array}$$

这个连乘序列，就是“自回归分解”的最终结果——它完全是条件概率链式法则在“语言生成时序”下的直接体现，每一项都是“当前token基于历史的条件概率”，没有任何超出历史的依赖。

自回归分解与条件链式法则的关系

结论	具体解释
分解的对象	序列的联合概率（如P(x₁,x₂,...,xₙ)）
分解的工具	条件概率链式法则（概率论基础规则）
分解的约束	自回归约束：xₖ仅依赖x₁~xₖ₋₁（左侧历史，无未来依赖）
分解的结果	一个条件概率的连乘序列（每一项对应一步生成的概率）