用途：把已可用的 DSPy 程序（通常由大模型驱动）蒸馏为微调后的模型权重，用于低成本、低延迟的生产部署，适合需要降低推理成本、加快响应或部署到资源受限环境的场景。
主要能力：提供 BootstrapFinetune 优化器，支持教师-学生蒸馏与权重优化；可接收 program（dspy.Module 教师程序）、trainset（dspy.Example 列表）、metric（可选验证指标）和 train_kwargs（训练超参数）；输出微调后的 finetuned_program 与 model_path。
使用方式：先用强教师模型配置 dspy.configure(lm=dspy.LM("openai/gpt-4o")) 并定义教师模块；微调前需将 LM 直接赋给预测器（teacher.set_lm(dspy.settings.lm)）；再构造 BootstrapFinetune(metric=..., train_kwargs={...})，调用 optimizer.compile(teacher, trainset=trainset) 完成微调；最后用 finetuned.save("finetuned_qa_model.json") 保存（默认仅保存状态），加载时须先重建架构再 loaded.load(...)。train_kwargs 常见项包括 learning_rate（1e-5 至 5e-5）、num_train_epochs（3-5）、per_device_train_batch_size（4-16）、gradient_accumulation_steps（2-8）、warmup_ratio（0.1）、weight_decay（0.01）、max_grad_norm（1.0）等。也可用于 RAG 流程微调，需配置检索器（如 ColBERTv2）与 LM。
适用场景：分类、问答等 DSPy 程序的蒸馏部署；用 Evaluate 在留出集上对比教师与学生得分以验证改进。
限制：需要支持微调的提供商与模型；训练需 GPU 资源；学生模型未必在所有输入上达到教师质量；微调耗时数小时至数天，取决于数据规模；模型缩小可能带来能力损失。官方文档见 https://dspy.ai/ 与 https://github.com/stanfordnlp/dspy。