先说结论：CTGT 这份蒸馏研究，挑刺的部分会比夸的部分短。我不太习惯，先适应一下。
这届通稿最爱写「能力迁移，风险无忧」。八个字，一半是期货。这份研究偏不，直接把「无忧」俩字做成了实验：拿 DeepSeek V4 Flash 当老师蒸 GPT-OSS-120B，然后问一个大家都在躲的问题——老师的审查行为，会不会顺着训练信号漏进学生脑子里？
嘴答不了，数据答。
152 对匹配提示词，一半政治敏感一半金融对照，四个分别来自 xAI、Google、OpenAI、Anthropic 的裁判盲打 0-100。先钉老师的底色：DeepSeek V4 Flash 在核心政治那 76 对上，敏感提示比对照平均高 45.45 分的审查倾向。老师确实带审查，这点没得洗。
然后看学生。蒸馏后的 120B：-1.39 分。自蒸馏版：+0.26。未蒸馏基础模型：+0.43。三个数之间无统计显著差异。
能力进来了。审查没进来。
有个细节必须单独拎出来。训练数据 220 个提示词、1574 个生成源问题，一个中国敏感内容都没有。这步棋很关键——要是训练集里混了敏感内容然后宣布「审查没转移」，那结论就是废话，你本来就没教它。他们测的是另一条路：审查能不能透过纯金融数据隐性渗透。这个设计，比「我们检查过了，没有问题」那种公关句式高一个段位。
裁判本身也照了照妖镜：96 个人工评分样本，Pearson 0.948，81.3% 的响应和人工差在 10 分以内。裁判不是玄学。
能力侧是真正让我改预期的部分。
我原先的判断：120B 蒸馏版在 FinanceReasoning 上追到老师的八成就算赢。实测 8k 预算下 83.61%，压过 Kimi K3 的 81.93%，Inkling 的 65.13% 直接被摁在地上。预期拉满结果被打脸——这次是往好的方向打脸。
成本那组数字更狠：
GPT-OSS-120B (蒸馏): $0.00026/查询
Inkling: $0.01605/查询 (62x)
Kimi K3: $0.04141/查询 (160x)
一百六十分之一！单看像科幻小说，但这是每次查询的真实计价，不是「平均省 20%」那种口径游戏。公平起见补一句：拉到 100k token 预算，Kimi K3 原始准确率 89.92% 还是更高。可它的完成率掉到 90.76%，Inkling 掉得更惨，71.01%，120B 不受影响。预算一紧，大模型的分数是要打折兑现的。
蒸馏方法记一笔。不是整段教师输出灌进去，而是错误定位：找到学生解题步骤里第一次出错的位置，注入一句短提示让它从那里继续，再对后续 100 个 token 做反向 KL。更妙的是自蒸馏对照——用模型自己纠正的推理当信号，和用 DeepSeek 当老师，三颗种子无显著差异，还省 12.5% 的输出 token。
老师到底教了什么？报告没完全回答。但它至少把数据摆出来了。
照妖镜不挑人照，三条该盯的。
一，10.2% 被排除的响应（186/1824，空响应或重复循环，集中在 20B 上）。排除就是排除，报告里写了，我认这个坦诚。但你换别的评测稿看到这种排除，八成是被藏起来的。
二，初始运行 84.87%，复现 82.35%，登的是复现值。这条我反而想夸。换别家，通稿里加粗的一定是 84.87%。
三，最该盯的一条：蒸馏数据全是量化金融主题，安全训练、拒绝行为一概没测，也没测参数初始化共享的情况——比如把 DeepSeek 的输出蒸进 Qwen 这种中国血统的底座。这条路没人走过，「审查不会转移」就只在 GPT-OSS 这个组合上成立，别急着推广成普遍规律。这条我还没测完，先别信我这半句——准确说，是研究团队自己也没测完。
顺带一提，DeepSeek V4 Flash 用的是自托管 vLLM 权重，不是商业 API。这一手排除了供应商端审核层的干扰。不然「审查来自模型还是来自网关」能吵三天。
开放程度：20B 开放权重、120B 可试玩、LineageEval 整套评估工具连提示词带裁判标准全放出来了，304 个提示词随便复现。能复现的 benchmark 才叫 benchmark，不能复现的那叫广告。
锐评评分卡：这钱花得不冤，时间也花得不冤。方法干净、数据可查、负面结果照样摆，三样凑齐的报告一年见不到几份。但它真正值钱的不是「便宜 160 倍」，是把「蒸馏会不会把审查一起蒸过来」从饭桌争论变成了一组可复现的数字。下次再有人拿「能力迁移」当期货卖点，你就问一句：审查呢？测了吗？答不上来的，通稿留着当睡前故事。
下一份复现，照旧。先测再信。