يُظهر الباحثون أن تقطير معلم استدلال بحجم 8 مليارات (deepseek-r1:8B) إلى نموذج طالب بحجم 0.6 مليار (Qwen3-0.6B عبر QLoRA) يتيح استخراجاً هيكلياً عالي الحجم بزمن استجابة وتكلفة أقل بشكل كبير. تقيّم الدراسة هذا النهج في رسم خرائط مقالات الأخبار إلى كائنات JSON تحتوي على ملخصات وعلامات فئوية، وتقارن النموذج المقطّر مع خطوط الأساس للبرمجة القليلة (few-shot prompting) والفك المقيد.
- يعالج نموذج الطالب كل مقال في حوالي 0.8 ثانية، مقارنة بـ 39 ثانية للمعلم، مستعيداً 58% من فجوة الأداء بالنسبة للنموذج الأساسي.
- يتفوق على الفك المقيد بنقطة +16.8 والبرمجة القليلة بنقطة +4.9 في درجات جودة الملخص من قبل لجنة تحكيم عمياء مكونة من ثلاثة أعضاء.
- قدرة الاستدلال لدى المعلم حاسمة لجودة الكتابة، حيث لا يُحدث التقطير من معلم غير مستدل بنفس الحجم أي تحسين مقارنة بالنموذج الأساسي غير المضبوط.
- بينما يحسّن خط الاستدلال توليد الملخصات، فإنه يسبب مزيداً من التزوير في المقالات ذات المصادر الرقيقة مقارنة بمعلم قائم على التعليمات، الذي يحافظ على أرضية أفضل.
تشير النتائج إلى أنه لأنه لا توجد محرك واحد يفوز في كل مجال، فإن النهج الأمثل يتضمن خريطة توجيه لكل مجال للإثراء على الجهاز بدلاً من الاعتماد على نموذج واحد.