Obwohl Knowledge Distillation (Transfer) in der Forschungsgemeinschaft zunehmend Aufmerksamkeit erlangt, hat die jüngste Entwicklung in diesem Bereich die Notwendigkeit nach reproduzierbaren Studien und hochgradig generalisierbaren Frameworks verstärkt, um die Barriere für qualitativ hochwertige, reproduzierbare Forschung im Bereich des tiefen Lernens zu senken. Mehrere Forscher haben freiwillig die von ihnen verwendeten Frameworks veröffentlicht, um anderen Interessierten die Nachvollziehbarkeit ihrer ursprünglichen Arbeiten zu erleichtern. Diese Frameworks sind jedoch in der Regel weder ausreichend generalisiert noch gepflegt, weshalb Forscher weiterhin erhebliche Programmierarbeit leisten müssen, um die Frameworks anzupassen oder aufzubauen, um neue Methoden, Modelle, Datensätze zu integrieren und Experimente zu gestalten. In diesem Paper präsentieren wir ein eigenentwickeltes, quelloffenes Framework, das auf PyTorch basiert und speziell für Forschungsarbeiten im Bereich des Knowledge Distillation konzipiert ist. Das Framework ermöglicht es Nutzern, Experimente durch deklarative PyYAML-Konfigurationsdateien zu gestalten und unterstützt Forscher dabei, die kürzlich vorgeschlagene ML Code Completeness Checklist zu erfüllen. Mit dem entwickelten Framework demonstrieren wir verschiedene effiziente Trainingsstrategien und implementieren eine Vielzahl von Knowledge-Distillation-Methoden. Zudem replizieren wir einige der ursprünglichen experimentellen Ergebnisse, die auf bedeutenden Konferenzen im Bereich des maschinellen Lernens wie ICLR, NeurIPS, CVPR und ECCV vorgestellt wurden, einschließlich neuester State-of-the-Art-Methoden, auf den Datensätzen ImageNet und COCO. Der gesamte Quellcode, Konfigurationsdateien, Protokoll- und trainierte Modellgewichte sind öffentlich unter https://github.com/yoshitomo-matsubara/torchdistill verfügbar.