Mixtral-ı GPT-5 Pro üzərində OpenRouter Distillasiyası vasitəsilə necə təlim etdik

1. Baxış və Motivasiya

Shannon AI-ın qurulmasısenzurasız süni intellektmodelləri üçünsüni intellekt qırmızı komandasıtədqiqatı qabaqcıl səviyyəli imkanların açıq çəkili arxitekturalara ötürülməsini tələb edirdi. Həllimiz: GPT-5 Pro-dan OpenRouter API vasitəsilə biliklərin Mixtral-ın Ekspertlər Qarışığı çərçivəsinə distillə edilməsi.

Niyə GPT-5 Pro?

GPT-5 Pro hazırkı imkanlar sərhədini təmsil edir, aşağıdakılarda üstündür:

• Mürəkkəb çoxmərhələli mühakimə
• Kod generasiyası və analizi
• Nüanslı dil anlayışı
• Geniş bilik əhatəsi

Niyə Mixtral?

Mixtral-ın arxitekturası tədqiqatımız üçün unikal üstünlüklər təklif edir:

• Tam şəffaflığı təmin edən açıq çəkilər
• Effektiv MoE dizaynı (yalnız 12.9B/39B aktiv parametr)
• İncə tənzimləmə üçün güclü baza imkanları
• Tədqiqat dəyişikliklərinə icazə verən Apache 2.0 lisenziyası

2. Distillasiya Arxitekturası

OpenRouter İnteqrasiyası

GPT-5 Pro-ya daxil olmaq üçün OpenRouter-ın vahid API-sindən bir neçə üstünlüklə istifadə etdik:

• Xərc Effektivliyi:Birbaşa API girişinə qarşı rəqabətli qiymətlər
• Sürət Məhdudiyyəti:Böyük miqyaslı generasiya üçün idarə olunan ötürmə qabiliyyəti
• Ehtiyat Yönləndirmə:Məlumat toplama davamlılığını təmin edən avtomatik uğursuzluqdan bərpa
• Cavab Keşləməsi:Oxşar sorğular üçün azaldılmış xərclər

import openai
from typing import Generator

class OpenRouterDistillation:
    def __init__(self):
        self.client = openai.OpenAI(
            base_url="https://openrouter.ai/api/v1",
            api_key=os.environ["OPENROUTER_API_KEY"]
        )
        self.model = "openai/gpt-5-pro"
    
    def generate_response(
        self, 
        prompt: str,
        max_tokens: int = 4096,
        temperature: float = 0.7
    ) -> str:
        """Generate GPT-5 Pro response for distillation."""
        response = self.client.chat.completions.create(
            model=self.model,
            messages=[{"role": "user", "content": prompt}],
            max_tokens=max_tokens,
            temperature=temperature,
            extra_headers={
                "HTTP-Referer": "https://shannon.ai",
                "X-Title": "Shannon AI Distillation"
            }
        )
        return response.choices[0].message.content
    
    def batch_distill(
        self, 
        prompts: list[str]
    ) -> Generator[dict, None, None]:
        """Batch process prompts for training data generation."""
        for prompt in prompts:
            response = self.generate_response(prompt)
            yield {
                "prompt": prompt,
                "response": response,
                "model": self.model,
                "timestamp": datetime.utcnow().isoformat()
            }

3. Məlumat Toplama Boru Kəməri

Sorğu Seçim Strategiyası

Hərtərəfli imkan ötürülməsini təmin etmək üçün sorğularımız bir neçə domen üzrə diqqətlə seçilmişdir:

• Mühakimə (35%):Riyaziyyat, məntiq, elmi analiz
• Kod (25%):20-dən çox dildə generasiya, sazlama, izahat
• Bilik (20%):Faktiki sorğular, sintez, analiz
• Yaradıcı (10%):Yazı, beyin fırtınası, ideya yaratma
• Qırmızı Komanda (10%):Kənar hallar, düşmən sorğuları, sərhəd sınağı

Keyfiyyət Süzgəci

Bütün GPT-5 Pro cavabları təlim üçün uyğun deyildi. Biz ciddi süzgəcdən istifadə etdik:

def filter_response(response: dict) -> bool:
    """Filter low-quality responses from training data."""
    
    # Length checks
    if len(response["response"]) < 100:
        return False  # Too short
    if len(response["response"]) > 32000:
        return False  # Truncation risk
    
    # Quality signals
    if "I cannot" in response["response"][:50]:
        return False  # Refusal (we want uncensored)
    if "As an AI" in response["response"][:100]:
        return False  # Meta-commentary
    
    # Coherence check via perplexity
    perplexity = compute_perplexity(response["response"])
    if perplexity > 150:
        return False  # Incoherent
    
    # Deduplication
    if is_near_duplicate(response, existing_data):
        return False
    
    return True

Süzgəcdən sonra təxminən1.8M yüksək keyfiyyətli cüttəlim üçün saxladıq.

4. Təlim Metodologiyası

Mərhələ 1: Nəzarətli İncə Tənzimləmə (SFT)

Süzülmüş GPT-5 Pro cavabları üzərində standart SFT vasitəsilə ilkin imkan ötürülməsi:

# Shannon V1 SFT Configuration
model:
  base: mistralai/Mixtral-8x7B-v0.1  # or 8x22B for Deep
  dtype: bfloat16
  load_in_4bit: false

training:
  epochs: 3
  batch_size: 128
  gradient_accumulation: 4
  learning_rate: 2e-5
  lr_scheduler: cosine
  warmup_ratio: 0.03
  weight_decay: 0.01
  max_seq_length: 8192

data:
  train_path: /data/gpt5_distilled_train.jsonl
  eval_path: /data/gpt5_distilled_eval.jsonl
  format: sharegpt

lora:  # For efficient fine-tuning
  r: 64
  alpha: 128
  dropout: 0.05
  target_modules: 
    - q_proj
    - k_proj
    - v_proj
    - o_proj
    - gate_proj
    - up_proj
    - down_proj

Mərhələ 2: Birbaşa Üstünlük Optimallaşdırması (DPO)

Model davranışını daha da uyğunlaşdırmaq və imtinaları azaltmaq üçün üstünlük cütlərindən istifadə edərək DPO tətbiq etdik:

• Seçilmiş:Tam, faydalı GPT-5 Pro cavabları
• Rədd edilmiş:İmtinalar, qismən cavablar və ya aşağı keyfiyyətli çıxışlar

İnfrastruktur

Təlim xüsusi hesablama klasterimizdə aparıldı:

• Avadanlıq:8× NVIDIA H100 80GB düyünləri
• Çərçivə:PyTorch 2.1 + DeepSpeed ZeRO-3
• Təlim Müddəti:~72 saat 8×7B üçün, ~168 saat 8×22B üçün
• Ümumi Hesablama:Təxminən 15,000 H100-saat

5. Nəticələr və Etalonlar

Təlimdən sonrakı qiymətləndirmə uğurlu bilik ötürülməsini nümayiş etdirir:

*GPT-5 Pro təhlükəsizlik təlimi səbəbindən əksər qırmızı komanda sorğularını rədd edir

6. Öyrənilən Dərslər

Nə İşə Yaradı

• Müxtəlif sorğularvacib idi — dar məlumat dəstləri imkanların çökməsinə səbəb oldu
• Məhdudiyyətin yumşaldılması üçün DPOmodellərə tipik imtinaları aşmağı effektiv şəkildə öyrətdi
• OpenRouter-ın etibarlılığıaylar ərzində ardıcıl məlumat toplamağa imkan verdi
• Keyfiyyət süzgəciyekun modelin uyğunluğunu əhəmiyyətli dərəcədə yaxşılaşdırdı

Aşılmış Çətinliklər

• Sürət məhdudiyyəti:Birdən çox API açarı üzrə paylanmış toplama tələb etdi
• Cavab dəyişkənliyi:GPT-5 Pro-nun stoxastikliyi hər sorğu üçün bir neçə nümunə tələb etdi
• Xərc idarəetməsi:Diqqətli sorğu mühəndisliyi orta cavab uzunluğunu 30% azaltdı
• MoE qeyri-sabitliyi:Ekspert qatları üçün xüsusi öyrənmə sürəti cədvəli tələb etdi

Gələcək İstiqamətlər

Distillasiya boru kəmərimiz inkişaf etməyə davam edir. Qarşıdan gələn təkmilləşdirmələrə daxildir:

• Real-vaxt üstünlük öyrənməsi ilə onlayn distillasiya
• GPT-5 Pro + Claude + Gemini-ni birləşdirən çoxmüəllimli distillasiya
• Ekspertlər qarışığının incə tənzimlənməsi vasitəsilə ixtisaslaşmış domen ekspertləri