精选理由
K8s 运维和平台工程团队终于有了一个轻量级方案来生成 YAML 清单——1.5B 模型就能跑出 91.5% 的通过率，做基础设施自动化的开发者可以直接参考其数据蒸馏思路。
该论文提出一种名为“上下文工具数据蒸馏”的方法，专门用于让小语言模型（SLM，参数最多 4B）生成 Kubernetes YAML 等 DSL 工件。方法通过合成生成和反向指令生成构建语料，并仅将通过外部验证器且匹配领域上下文的样本加入训练。在资源受限条件下，使用 DeepSeek-V4 Flash 作为教师模型，微调 Qwen2.5-Coder-1.5B-Instruct，在 K8s-Distill-Pilot 数据集上达到 91.5% 的完全通过率。关键发现是：输出格式的严格约束比增加训练样本数对结果质量影响更大。
AI 翻译 · 中文
该论文提出一种名为“上下文工具数据蒸馏”的方法，专门用于让小语言模型（SLM，参数最多 4B）生成 Kubernetes YAML 等 DSL 工件。方法通过合成生成和反向指令生成构建语料，并仅将通过外部验证器且匹配领域上下文的样本加入训练。在资源受限条件下，使用 DeepSeek-V4 Flash 作为教师模型，微调 Qwen2.5-Coder-1.5B-Instruct，在 K8s-Distill-Pilot 数据集上达到 91.5% 的完全通过率。关键发现是：输出格式的严格约束比增加训练样本数对结果质量影响更大。
This paper examines the specialization of Small Language Models (SLMs) with up to 4 billion parameters for generating artifacts in domain-specific languages (DSL). Kubernetes manifests are chosen as the target domain. We…