arXiv 2026年8月31日该工作提出基于微调的分层一致性蒸馏方法，用前沿大模型为每个输入生成K个逻辑翻译并按语义等价聚类，再依据熵水平分别采用多数投票（低熵）、LLM-as-a-Judge（中熵）或统一化/弃权（高熵）筛选伪标签，用以微调一个更小的模型，实验显示在Pass@K与作者新提出的等价逻辑相似度指标上均取得显著且一致的提升。该工作提出基于微调的分层一致性蒸馏方法，用前沿大模型为每个输入生成K个逻辑翻译并按语义等价聚类，再依据熵水平分别采用多数投票（低熵）、LLM-as-a-Judge（中熵）或统一化/弃权（高熵）筛选伪标签，用以微调一个更小的模型，实验显示在Pass@K与作者新提出的等价逻辑相似度指标上均取得显著且一致的提升。分层一致性蒸馏：用前沿大模型生成K个逻辑翻译并按熵分层筛选伪标签，微调小模型后在Pass@K与等价逻辑相似度上取得一致提升该工作提出基于微调的分层一致性蒸馏方法，用前沿大模型为每个输入生成K个逻辑翻译并按语义等价聚类，再依据熵水平分别采用多数投票（低熵）、LLM-as-a-Judge（中熵）或统一化/弃权（高熵）筛选伪标签，用以微调一个更小的模型，实验显示在Pass@K与作者新提出的等价逻辑相似度指标上均取得显著且一致的提升。该工作提出基于微调的分层一致性蒸馏方法，用前沿大模型为每个输入生成K个逻辑翻译并按语义等价聚类，再依据熵水平分别采用多数投票（低熵）、LLM-as-a-Judge（中熵）或统一化/弃权（高熵）筛选伪标签，用以微调一个更小的模型，实验显示在Pass@K与作者新提出的等价逻辑相似度指标上均取得显著且一致的提升。