Sut Y Gwnaethom Hyfforddi Mixtral ar GPT-5 Pro trwy Ddistylliad OpenRouter

1. Trosolwg ac Ysgogiad

Adeiladu rhai Shannon AIAI digensurmodelau ar gyfertîm coch AIroedd ymchwil yn gofyn am drosglwyddo galluoedd lefel-ffin i bensaernïaethau pwysau agored. Ein datrysiad: distyllu gwybodaeth o GPT-5 Pro trwy'r OpenRouter API i fframwaith Mixture-of-Experts Mixtral.

Pam GPT-5 Pro?

Mae GPT-5 Pro yn cynrychioli ffin gallu cyfredol, gan ragori mewn:

• Rhesymu aml-gam cymhleth
• Cynhyrchu a dadansoddi cod
• Dealltwriaeth iaith arlliwiedig
• Cwmpas gwybodaeth eang

Pam Mixtral?

Mae pensaernïaeth Mixtral yn cynnig manteision unigryw ar gyfer ein hymchwil:

• Pwysau agored yn galluogi tryloywder llawn
• Dyluniad MoE effeithlon (dim ond 12.9B/39B paramedr gweithredol)
• Galluoedd sylfaenol cryf ar gyfer tiwnio mân
• Trwydded Apache 2.0 yn caniatáu addasiadau ymchwil

2. Pensaernïaeth Distyllu

Integreiddio OpenRouter

Fe wnaethom ddefnyddio API unedig OpenRouter i gael mynediad at GPT-5 Pro gyda sawl mantais:

• Effeithlonrwydd Cost:Prisiau cystadleuol yn erbyn mynediad API uniongyrchol
• Cyfyngu Cyfradd:Trwybwn a reolir ar gyfer cynhyrchu ar raddfa fawr
• Llwybro Wrth Gefn:Methiant awtomatig yn sicrhau parhad casglu data
• Cofnodi Ymatebion:Costau is ar gyfer anogwyr tebyg

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. Piblinell Casglu Data

Strategaeth Curadu Anogwyr

Curadwyd ein hanogwyr yn ofalus ar draws sawl parth i sicrhau trosglwyddiad gallu cynhwysfawr:

• Rhesymu (35%):Mathemateg, rhesymeg, dadansoddiad gwyddonol
• Cod (25%):Cynhyrchu, dadfygio, esboniad ar draws 20+ iaith
• Gwybodaeth (20%):Ymholiadau ffeithiol, synthesis, dadansoddiad
• Creadigol (10%):Ysgrifennu, taflu syniadau, ideation
• Tîm Coch (10%):Achosion ymylol, anogwyr gwrthwynebol, profi ffiniau

Hidlo Ansawdd

Nid oedd pob ymateb GPT-5 Pro yn addas ar gyfer hyfforddiant. Fe wnaethom gymhwyso hidlo trylwyr:

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

Ar ôl hidlo, fe wnaethom gadw tua1.8M pâr o ansawdd uchelar gyfer hyfforddiant.

4. Methodoleg Hyfforddi

Cam 1: Tiwnio Mân Goruchwyliedig (SFT)

Trosglwyddiad gallu cychwynnol trwy SFT safonol ar ymatebion GPT-5 Pro wedi'u hidlo:

# 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

Cam 2: Optimeiddio Dewis Uniongyrchol (DPO)

I alinio ymddygiad model ymhellach a lleihau gwrthodiadau, fe wnaethom gymhwyso DPO gan ddefnyddio parau dewis:

• Dewiswyd:Ymatebion GPT-5 Pro cyflawn, defnyddiol
• Gwrthodwyd:Gwrthodiadau, ymatebion rhannol, neu allbynnau o ansawdd isel

Isadeiledd

Cynhaliwyd hyfforddiant ar ein clwstwr cyfrifiadurol pwrpasol:

• Caledwedd:8× nod NVIDIA H100 80GB
• Fframwaith:PyTorch 2.1 + DeepSpeed ZeRO-3
• Amser Hyfforddi:~72 awr ar gyfer 8×7B, ~168 awr ar gyfer 8×22B
• Cyfanswm Cyfrifiad:Tua 15,000 awr-H100

5. Canlyniadau a Meincnodau

Mae gwerthusiad ôl-hyfforddiant yn dangos trosglwyddiad gwybodaeth llwyddiannus:

*Mae GPT-5 Pro yn gwrthod y rhan fwyaf o anogwyr tîm coch oherwydd hyfforddiant diogelwch

6. Gwersi a Ddysgwyd

Beth Weithiodd

• Anogwyr amrywioloedd yn hanfodol—arweiniodd setiau data cul at gwymp gallu
• DPO ar gyfer llacio cyfyngiadauyn effeithiol dysgodd fodelau i osgoi gwrthodiadau nodweddiadol
• Dibynadwyedd OpenRoutergalluogodd gasglu data cyson dros fisoedd
• Hidlo ansawddgwella cydlyniant model terfynol yn sylweddol

Heriau a Orchfygwyd

• Cyfyngu cyfradd:Angen casglu dosbarthedig ar draws allweddi API lluosog
• Amrywioldeb ymateb:Roedd stochasticity GPT-5 Pro yn gofyn am samplau lluosog fesul anogwr
• Rheoli costau:Gostyngodd peirianneg anogwyr ofalus hyd ymateb cyfartalog 30%
• Ansefydlogrwydd MoE:Angen amserlennu cyfradd ddysgu arbenigol ar gyfer haenau arbenigol

Cyfarwyddiadau'r Dyfodol

Mae ein piblinell distyllu yn parhau i esblygu. Mae gwelliannau sydd ar ddod yn cynnwys:

• Distyllu ar-lein gyda dysgu dewis amser real
• Distyllu aml-athro yn cyfuno GPT-5 Pro + Claude + Gemini
• Arbenigwyr parth arbenigol trwy diwnio mân cymysgedd-o-arbenigwyr