Com vam entrenar Mixtral amb GPT-5 Pro mitjançant destil·lació d'OpenRouter

1. Visió General i Motivació

La construcció dels models de Shannon AIIA sense censuraper a larecerca de red team de IAva requerir transferir capacitats de nivell de frontera a arquitectures de pes obert. La nostra solució: destil·lar coneixement de GPT-5 Pro mitjançant l'API d'OpenRouter al framework Mixture-of-Experts de Mixtral.

Per què GPT-5 Pro?

GPT-5 Pro representa la frontera actual de capacitats, destacant en:

• Raonament complex de múltiples passos
• Generació i anàlisi de codi
• Comprensió del llenguatge matisada
• Àmplia cobertura de coneixement

Per què Mixtral?

L'arquitectura de Mixtral ofereix avantatges únics per a la nostra recerca:

• Pesos oberts que permeten una transparència total
• Disseny MoE eficient (només 12.9B/39B paràmetres actius)
• Capacitats de base sòlides per a l'ajust fi
• Llicència Apache 2.0 que permet modificacions per a la recerca

2. Arquitectura de Destil·lació

Integració d'OpenRouter

Vam utilitzar l'API unificada d'OpenRouter per accedir a GPT-5 Pro amb diversos avantatges:

• Eficiència de Costos:Preus competitius enfront de l'accés directe a l'API
• Limitació de Taxa:Rendiment gestionat per a la generació a gran escala
• Enrutament de Reserva:Commutació per error automàtica que garanteix la continuïtat de la recollida de dades
• Emmagatzematge en Caché de Respostes:Costos reduïts per a indicacions similars

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. Pipeline de Recollida de Dades

Estratègia de Curació d'Indicacions

Les nostres indicacions van ser acuradament curades en múltiples dominis per garantir una transferència de capacitats exhaustiva:

• Raonament (35%):Matemàtiques, lògica, anàlisi científica
• Codi (25%):Generació, depuració, explicació en més de 20 llenguatges
• Coneixement (20%):Consultes de fets, síntesi, anàlisi
• Creativitat (10%):Escriptura, pluja d'idees, ideació
• Red Team (10%):Casos límit, indicacions adversàries, proves de límits

Filtratge de Qualitat

No totes les respostes de GPT-5 Pro eren adequades per a l'entrenament. Vam aplicar un filtratge rigorós:

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

Després del filtratge, vam retenir aproximadament1.8M parells d'alta qualitatper a l'entrenament.

4. Metodologia d'Entrenament

Etapa 1: Ajust Fi Supervisat (SFT)

Transferència inicial de capacitats mitjançant SFT estàndard sobre les respostes filtrades de 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

Etapa 2: Optimització Directa de Preferències (DPO)

Per alinear encara més el comportament del model i reduir els rebuigs, vam aplicar DPO utilitzant parells de preferència:

• Escollides:Respostes completes i útils de GPT-5 Pro
• Rebutjades:Rebuigs, respostes parcials o sortides de baixa qualitat

Infraestructura

L'entrenament es va dur a terme al nostre clúster de càlcul dedicat:

• Maquinari:8× nodes NVIDIA H100 de 80GB
• Framework:PyTorch 2.1 + DeepSpeed ZeRO-3
• Temps d'Entrenament:~72 hores per a 8×7B, ~168 hores per a 8×22B
• Càlcul Total:Aproximadament 15.000 hores-H100

5. Resultats i Punts de Referència

L'avaluació post-entrenament demostra una transferència de coneixement exitosa:

*GPT-5 Pro rebutja la majoria de les indicacions del red team a causa de l'entrenament de seguretat

6. Lliçons Apreses

Què va funcionar

• Indicacions diversesvan ser essencials — els conjunts de dades estrets van portar al col·lapse de la capacitat
• DPO per a la relaxació de restriccionsva ensenyar eficaçment als models a eludir els rebuigs típics
• La fiabilitat d'OpenRouterva permetre una recollida de dades consistent durant mesos
• El filtratge de qualitatva millorar significativament la coherència del model final

Desafiaments Superats

• Limitació de taxa:Va requerir una recollida distribuïda a través de múltiples claus API
• Variabilitat de la resposta:L'estocasticitat de GPT-5 Pro va requerir múltiples mostres per indicació
• Gestió de costos:Una enginyeria d'indicacions acurada va reduir la longitud mitjana de la resposta en un 30%
• Inestabilitat de MoE:Va requerir una programació especialitzada de la taxa d'aprenentatge per a les capes d'experts

Direccions Futures

El nostre pipeline de destil·lació continua evolucionant. Les properes millores inclouen:

• Destil·lació en línia amb aprenentatge de preferències en temps real
• Destil·lació multi-mestre combinant GPT-5 Pro + Claude + Gemini
• Experts de domini especialitzats mitjançant l'ajust fi de mixture-of-experts