> ## Documentation Index > Fetch the complete documentation index at: https://docs.b-bot.space/llms.txt > Use this file to discover all available pages before exploring further. # Distillazione del modello > Scopri come creare, revisionare e valutare esempi generati da un modello docente per un modello studente più piccolo. # Distillazione del modello La distillazione del modello è un approccio all'addestramento in cui gli output di un **modello docente** contribuiscono a creare esempi per un **modello studente**. L'obiettivo è insegnare un'attività più circoscritta a un modello che può adattarsi meglio ai vincoli di costo, latenza o distribuzione del workflow. La distillazione non copia tutte le capacità del modello docente. I risultati dipendono dall'attività, dai prompt del docente, dalla copertura dei dati, dalla capacità dello studente, dal metodo di addestramento e dalla qualità della valutazione. ## Docente e studente * Il **docente** genera o migliora risposte candidate per input rappresentativi. * I revisori verificano le risposte candidate rispetto al materiale di origine e ai requisiti. * Gli esempi approvati entrano a far parte del set di dati per il fine-tuning dello studente. * Lo **studente** viene valutato su casi non utilizzati per l'addestramento. Docente e studente possono essere qualsiasi modello supportato dal workflow di addestramento scelto. Evita di inserire nomi di modelli in un progetto destinato a durare nel tempo, perché i cataloghi dei provider cambiano. ## Workflow di distillazione Specifica input, output previsti, criteri di qualità e limiti. La distillazione è più facile da valutare quando l'obiettivo è ben definito. Crea un set escluso dall'addestramento a partire da utilizzi realistici. Includi casi comuni, casi limite e casi che richiedono incertezza o rifiuto. Chiedi al docente di produrre output usando lo stesso contesto e le stesse regole previste in produzione. Genera input diversificati invece di modelli ripetitivi. Verifica fatti, ragionamento, sicurezza, tono e formato. Rimuovi o riscrivi gli esempi deboli; non dare per scontato che l'output del docente sia corretto. Formatta gli esempi approvati per un workflow di fine-tuning supportato e addestra una versione del modello studente. Confronta lo studente, il docente e il modello base dello studente non modificato sul set escluso dall'addestramento e rispetto ai requisiti operativi. Esamina gli errori in produzione, la deriva dei dati e i cambiamenti dei provider. Ripeti l'addestramento solo quando nuovi elementi ne dimostrano la necessità. ## Esempio di istruzione per il docente ```text theme={null} Crea una risposta candidata per il caso di assistenza riportato di seguito. Usa solo la policy e la documentazione del prodotto allegate. Rispetta lo schema di risposta richiesto. Se le fonti non supportano una risposta, restituisci "needs_review": true e spiega quali informazioni mancano. Non inventare azioni sull'account, eccezioni alle policy, link o risultati. ``` Considera l'output una risposta candidata da revisionare, non un dato di addestramento approvato. ## Progettazione della valutazione Scegli misure adatte all'attività: * Rispetto esatto dello schema o del formato * Accuratezza rispetto alle fonti approvate * Scelta corretta dello strumento o dell'escalation * Punteggi della revisione umana basati su criteri scritti * Tasso di errore nei casi relativi a sicurezza e rifiuto * Latenza e costo misurato nell'ambiente previsto Non esprimere la qualità in percentuale a meno che il metodo di valutazione e il set di test rendano significativa tale percentuale. Non presumere un risparmio sui costi fisso: calcolalo in base ai prezzi correnti dei provider e all'uso misurato di token o risorse. ## Quando la distillazione non è adatta * L'attività cambia di frequente * Le risposte dipendono principalmente da conoscenze aggiornate * Un modello più piccolo non supporta la modalità o il comportamento degli strumenti richiesti * Non puoi revisionare gli esempi generati * Non disponi di un set di valutazione rappresentativo * Gli errori hanno conseguenze che il workflow non può contenere in sicurezza ## Sicurezza dei dati I prompt per il docente e i set di dati generati possono essere inviati ai provider dei modelli. Rimuovi dati personali e segreti non necessari e verifica che la gestione dei dati sia approvata per ogni provider coinvolto. ## Guide correlate Esamina i principi fondamentali della preparazione e della valutazione dei set di dati. Segui il workflow di addestramento disponibile in B-Bot Hub.