Hvordan vi trænede Mixtral på GPT-5 Pro via OpenRouter-destillation

1. Oversigt & Motivation

At bygge Shannon AIsucensurerede AImodeller tilAI red teamforskning krævede overførsel af frontlinje-kapaciteter til open-weight-arkitekturer. Vores løsning: destillering af viden fra GPT-5 Pro via OpenRouter API'en ind i Mixtrals Mixture-of-Experts-rammeværk.

Hvorfor GPT-5 Pro?

GPT-5 Pro repræsenterer den nuværende kapacitetsfrontlinje og udmærker sig inden for:

• Kompleks flertrinsræsonnement
• Kode-generering og -analyse
• Nanceret sprogforståelse
• Bred vidensoversigt

Hvorfor Mixtral?

Mixtrals arkitektur tilbyder unikke fordele for vores forskning:

• Åbne vægte muliggør fuld gennemsigtighed
• Effektiv MoE-design (kun 12,9B/39B aktive parametre)
• Stærke baseline-kapaciteter til finjustering
• Apache 2.0-licens, der tillader forskningsmodifikationer

2. Destillationsarkitektur

OpenRouter-integration

Vi udnyttede OpenRouters samlede API til at få adgang til GPT-5 Pro med flere fordele:

• Omkostningseffektivitet:Konkurrencedygtig prissætning vs. direkte API-adgang
• Hastighedsbegrænsning:Styret gennemløb for storskala-generering
• Fallback-routing:Automatisk failover sikrer kontinuitet i dataindsamlingen
• Svar-cachelagring:Reducerede omkostninger for lignende prompts

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. Dataindsamlingspipeline

Strategi for prompt-kuratering

Vores prompts blev omhyggeligt kurateret på tværs af flere domæner for at sikre omfattende kapacitetsoverførsel:

• Ræsonnement (35%):Matematik, logik, videnskabelig analyse
• Kode (25%):Generering, fejlfinding, forklaring på tværs af 20+ sprog
• Viden (20%):Faktuelle forespørgsler, syntese, analyse
• Kreativ (10%):Skrivning, brainstorming, idéudvikling
• Rødt hold (10%):Grænsetilfælde, modstridende prompter, grænsetest

Kvalitetsfiltrering

Ikke alle GPT-5 Pro-svar var egnede til træning. Vi anvendte streng filtrering:

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

Efter filtrering beholdt vi cirka1,8M par af høj kvalitettil træning.

4. Træningsmetodologi

Trin 1: Overvåget finjustering (SFT)

Indledende kapacitetsoverførsel via standard SFT på de filtrerede GPT-5 Pro-svar:

# 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

Trin 2: Direkte præferenceoptimering (DPO)

For yderligere at tilpasse modeladfærd og reducere afvisninger anvendte vi DPO ved hjælp af præferencepar:

• Valgt:Komplette, hjælpsomme GPT-5 Pro-svar
• Afvist:Afvisninger, delvise svar eller output af lav kvalitet

Infrastruktur

Træningen blev udført på vores dedikerede computerklynge:

• Hardware:8× NVIDIA H100 80GB noder
• Framework:PyTorch 2.1 + DeepSpeed ZeRO-3
• Træningstid:~72 timer for 8×7B, ~168 timer for 8×22B
• Samlet beregningstid:Cirka 15.000 H100-timer

5. Resultater og benchmarks

Evaluering efter træning demonstrerer succesfuld vidensoverførsel:

*GPT-5 Pro afviser de fleste prompter fra det røde hold på grund af sikkerhedstræning

6. Erfaringer

Hvad der virkede

• Diverse promptervar afgørende – snævre datasæt førte til kapacitetskollaps
• DPO til lempelse af begrænsningerlærte effektivt modeller at omgå typiske afvisninger
• OpenRouters pålidelighedmuliggjorde konsekvent dataindsamling over måneder
• Kvalitetsfiltreringforbedrede den endelige models sammenhæng betydeligt

Overvundne udfordringer

• Hastighedsbegrænsning:Krævede distribueret indsamling på tværs af flere API-nøgler
• Svarvariabilitet:GPT-5 Pro's stokasticitet krævede flere prøver pr. prompt
• Omkostningsstyring:Omhyggelig prompt-engineering reducerede den gennemsnitlige svarlængde med 30%
• MoE-ustabilitet:Krævede specialiseret planlægning af læringshastighed for ekspertlag

Fremtidige retninger

Vores destillationspipeline fortsætter med at udvikle sig. Kommende forbedringer inkluderer:

• Online destillation med præferencelæring i realtid
• Multi-lærer destillation, der kombinerer GPT-5 Pro + Claude + Gemini
• Specialiserede domæneeksperter via mixture-of-experts finjustering