模型蒸馏（Model Distillation）是一种模型压缩技术，旨在将一个复杂的、大型的模型（通常称为教师模型）的知识转移到另一个更小、更简单的模型（通常称为学生模型）中。

在模型蒸馏中，通常会使用一个已经经过训练的教师模型，该模型在大型数据集上表现出色。然后，将教师模型的知识传递给一个更小的学生模型，使得学生模型能够以较小的规模进行推理，并保持与教师模型相似的性能。

模型蒸馏的关键思想是利用教师模型的输出概率分布作为目标，让学生模型学习如何近似教师模型的预测结果。具体来说，模型蒸馏使用了软目标（soft target）训练，即将教师模型的输出概率分布作为学生模型的目标标签，而不是使用硬目标（hard target），即仅仅使用教师模型的最终预测结果。

通过使用软目标进行训练，学生模型可以学习到教师模型的更多细节和知识，包括概率分布的相对权重和类别之间的关系。这种知识转移有助于改善学生模型的泛化能力，并且在保持模型大小较小的同时，实现与教师模型相近甚至更好的性能。

模型蒸馏技术在计算机视觉、自然语言处理和语音识别等领域得到了广泛应用，可用于提高小型模型的性能和效果，使其在资源受限的环境下也能发挥出色的表现。