本研究提出了一种结构化代理蒸馏框架，旨在将大型语言模型压缩为较小的学生模型，同时保持推理准确性和一致性。实验结果显示，该方法在多个基准测试中优于传统蒸馏和模仿学习，显著提高了模型压缩率并保持了性能。

本研究提出了一种名为CL-HOI的跨层人机交互蒸馏框架，旨在减少对人工标注的依赖。通过从视觉大语言模型中提取交互信息，CL-HOI在HICO-DET和V-COCO数据集上表现优于传统方法，验证了其在无标注条件下的有效性。