Jak jsme trénovali Mixtral na GPT-5 Pro pomocí destilace OpenRouter

1. Přehled a motivace

Budování Shannon AInecenzurované AImodelů proAI red teamvýzkum vyžadoval přenos schopností na hraniční úrovni do architektur s otevřenými váhami. Naše řešení: destilace znalostí z GPT-5 Pro prostřednictvím OpenRouter API do frameworku Mixture-of-Experts Mixtralu.

Proč GPT-5 Pro?

GPT-5 Pro představuje současnou hranici schopností, vyniká v:

• Komplexní vícestupňové uvažování
• Generování a analýza kódu
• Nuanční porozumění jazyku
• Široké pokrytí znalostí

Proč Mixtral?

Architektura Mixtralu nabízí jedinečné výhody pro náš výzkum:

• Otevřené váhy umožňující plnou transparentnost
• Efektivní design MoE (pouze 12,9B/39B aktivních parametrů)
• Silné základní schopnosti pro jemné doladění
• Licence Apache 2.0 umožňující výzkumné modifikace

2. Architektura destilace

Integrace OpenRouter

Využili jsme jednotné API OpenRouteru pro přístup k GPT-5 Pro s několika výhodami:

• Nákladová efektivita:Konkurenční ceny oproti přímému přístupu k API
• Omezení rychlosti:Řízená propustnost pro velkoobjemovou generaci
• Záložní směrování:Automatické přepnutí při selhání zajišťující kontinuitu sběru dat
• Kešování odpovědí:Snížené náklady na podobné výzvy

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 sběru dat

Strategie kurátorství výzev

Naše výzvy byly pečlivě kurátorovány napříč několika doménami, aby byl zajištěn komplexní přenos schopností:

• Uvažování (35%):Matematika, logika, vědecká analýza
• Kód (25%):Generování, ladění, vysvětlení napříč 20+ jazyky
• Knowledge (20%):Faktické dotazy, syntéza, analýza
• Kreativní (10%):Psaní, brainstorming, tvorba nápadů
• Red Team (10%):Okrajové případy, nepřátelské výzvy, testování hranic

Filtrování kvality

Ne všechny odpovědi GPT-5 Pro byly vhodné pro trénink. Použili jsme přísné filtrování:

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

Po filtrování jsme si ponechali přibližně1,8M vysoce kvalitních párůpro trénink.

4. Metodika tréninku

Fáze 1: Supervised Fine-Tuning (SFT)

Počáteční přenos schopností prostřednictvím standardního SFT na filtrovaných odpovědích 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

Fáze 2: Direct Preference Optimization (DPO)

Pro další sladění chování modelu a snížení odmítnutí jsme aplikovali DPO pomocí preferenčních párů:

• Vybráno:Kompletní, užitečné odpovědi GPT-5 Pro
• Odmítnuto:Odmítnutí, částečné odpovědi nebo nekvalitní výstupy

Infrastruktura

Trénink probíhal na našem vyhrazeném výpočetním klastru:

• Hardware:8× uzlů NVIDIA H100 80GB
• Framework:PyTorch 2.1 + DeepSpeed ZeRO-3
• Doba tréninku:~72 hodin pro 8×7B, ~168 hodin pro 8×22B
• Celkový výpočetní výkon:Přibližně 15 000 H100-hodin

5. Výsledky a benchmarky

Vyhodnocení po tréninku demonstruje úspěšný přenos znalostí:

*GPT-5 Pro odmítá většinu výzev red teamu kvůli bezpečnostnímu tréninku

6. Poučení

Co fungovalo

• Různorodé výzvybyly zásadní – úzké datasety vedly ke kolapsu schopností
• DPO pro uvolnění omezeníefektivně naučilo modely obcházet typická odmítnutí
• Spolehlivost OpenRouteruumožnila konzistentní sběr dat po celé měsíce
• Filtrování kvalityvýrazně zlepšilo koherenci finálního modelu

Překonané výzvy

• Omezení rychlosti:Vyžadovalo distribuovaný sběr napříč více API klíči
• Variabilita odpovědí:Stochasticita GPT-5 Pro vyžadovala více vzorků na výzvu
• Správa nákladů:Pečlivé prompt engineering snížilo průměrnou délku odpovědi o 30%
• Nestabilita MoE:Vyžadovalo specializované plánování rychlosti učení pro expertní vrstvy

Budoucí směry

Naše pipeline destilace se neustále vyvíjí. Nadcházející vylepšení zahrnují:

• Online destilace s učením preferencí v reálném čase
• Vícenásobná destilace učitele kombinující GPT-5 Pro + Claude + Gemini
• Specializovaní doménoví experti prostřednictvím jemného doladění mixture-of-experts