Как обучихме Mixtral върху GPT-5 Pro чрез дестилация с OpenRouter

1. Преглед и мотивация

Изграждането на Shannon AIнецензурирани ИИмодели зачервен екип на ИИизследвания изискваше прехвърляне на авангардни възможности към архитектури с отворени тегла. Нашето решение: дестилиране на знания от GPT-5 Pro чрез OpenRouter API в рамката Mixture-of-Experts на Mixtral.

Защо GPT-5 Pro?

GPT-5 Pro представлява настоящия авангард във възможностите, отличавайки се в:

• Комплексно многостъпково разсъждение
• Генериране и анализ на код
• Нюансирано разбиране на езика
• Широко покритие на знания

Защо Mixtral?

Архитектурата на Mixtral предлага уникални предимства за нашето изследване:

• Отворени тегла, осигуряващи пълна прозрачност
• Ефективен MoE дизайн (само 12.9B/39B активни параметри)
• Силен базов капацитет за фина настройка
• Лиценз Apache 2.0, позволяващ изследователски модификации

2. Архитектура на дестилацията

Интеграция с OpenRouter

Използвахме унифицирания API на OpenRouter за достъп до GPT-5 Pro с няколко предимства:

• Ефективност на разходите:Конкурентни цени спрямо директен достъп до API
• Ограничаване на честотата:Управлявана пропускателна способност за мащабно генериране
• Резервно маршрутизиране:Автоматично превключване при отказ, осигуряващо непрекъснатост на събирането на данни
• Кеширане на отговори:Намалени разходи за подобни подкани

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. Процес за събиране на данни

Стратегия за подбор на подкани

Нашите подкани бяха внимателно подбрани в множество домейни, за да се осигури цялостен трансфер на възможности:

• Разсъждение (35%):Математика, логика, научен анализ
• Код (25%):Генериране, отстраняване на грешки, обяснение на над 20 езика
• Знания (20%):Фактически запитвания, синтез, анализ
• Творчество (10%):Писане, мозъчна атака, генериране на идеи
• Червен екип (10%):Крайни случаи, противникови подкани, тестване на граници

Филтриране по качество

Не всички отговори на GPT-5 Pro бяха подходящи за обучение. Приложихме стриктно филтриране:

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

След филтриране запазихме приблизително1.8М висококачествени двойкиза обучение.

4. Методология на обучението

Етап 1: Наблюдавана фина настройка (SFT)

Първоначален трансфер на възможности чрез стандартна SFT върху филтрираните отговори на GPT-5 Pro:

# 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

Етап 2: Оптимизация на директни предпочитания (DPO)

За по-нататъшно съгласуване на поведението на модела и намаляване на отказите, приложихме DPO, използвайки двойки предпочитания:

• Избрани:Пълни, полезни отговори на GPT-5 Pro
• Отхвърлени:Откази, частични отговори или нискокачествени изходи

Инфраструктура

Обучението беше проведено на нашия специализиран изчислителен клъстер:

• Хардуер:8× NVIDIA H100 80GB възли
• Рамка:PyTorch 2.1 + DeepSpeed ZeRO-3
• Време за обучение:~72 часа за 8×7B, ~168 часа за 8×22B
• Обща изчислителна мощност:Приблизително 15 000 H100-часа

5. Резултати и бенчмаркове

Оценката след обучение демонстрира успешен трансфер на знания:

*GPT-5 Pro отказва повечето подкани на червения екип поради обучение за безопасност

6. Научени уроци

Какво проработи

• Разнообразни подканибяха от съществено значение – тесните набори от данни водеха до срив на възможностите
• DPO за облекчаване на ограничениятаефективно научи моделите да заобикалят типичните откази
• Надеждността на OpenRouterпозволи последователно събиране на данни в продължение на месеци
• Филтриране по качествозначително подобри кохерентността на крайния модел

Преодолени предизвикателства

• Ограничаване на честотата:Изискваше разпределено събиране чрез множество API ключове
• Променливост на отговорите:Стохастичността на GPT-5 Pro изискваше множество проби за всяка подкана
• Управление на разходите:Внимателното проектиране на подкани намали средната дължина на отговора с 30%
• Нестабилност на MoE:Изискваше специализирано планиране на скоростта на обучение за експертните слоеве

Бъдещи насоки

Нашият процес за дестилация продължава да се развива. Предстоящите подобрения включват:

• Онлайн дестилация с обучение на предпочитания в реално време
• Многоучителна дестилация, комбинираща GPT-5 Pro + Claude + Gemini
• Специализирани експерти по домейни чрез фина настройка на mixture-of-experts