Πώς Εκπαιδεύσαμε το Mixtral στο GPT-5 Pro μέσω Απόσταξης OpenRouter

1. Επισκόπηση & Κίνητρα

Η κατασκευή της Shannon AIAI χωρίς λογοκρισίαμοντέλα γιακόκκινη ομάδα AIη έρευνα απαιτούσε τη μεταφορά δυνατοτήτων αιχμής σε αρχιτεκτονικές ανοιχτού βάρους. Η λύση μας: απόσταξη γνώσης από το GPT-5 Pro μέσω του OpenRouter API στο πλαίσιο Mixture-of-Experts του Mixtral.

Γιατί GPT-5 Pro;

Το GPT-5 Pro αντιπροσωπεύει το τρέχον όριο δυνατοτήτων, διαπρέποντας σε:

• Πολύπλοκη συλλογιστική πολλαπλών βημάτων
• Δημιουργία και ανάλυση κώδικα
• Λεπτομερής κατανόηση γλώσσας
• Ευρεία κάλυψη γνώσης

Γιατί Mixtral;

Η αρχιτεκτονική του Mixtral προσφέρει μοναδικά πλεονεκτήματα για την έρευνά μας:

• Ανοιχτά βάρη που επιτρέπουν πλήρη διαφάνεια
• Αποδοτικός σχεδιασμός MoE (μόνο 12.9B/39B ενεργές παράμετροι)
• Ισχυρές βασικές δυνατότητες για λεπτομερή ρύθμιση
• Άδεια Apache 2.0 που επιτρέπει ερευνητικές τροποποιήσεις

2. Αρχιτεκτονική Απόσταξης

Ενσωμάτωση OpenRouter

Χρησιμοποιήσαμε το ενοποιημένο API του OpenRouter για πρόσβαση στο GPT-5 Pro με διάφορα πλεονεκτήματα:

• Οικονομική Απόδοση:Ανταγωνιστική τιμολόγηση έναντι άμεσης πρόσβασης API
• Περιορισμός Ρυθμού:Διαχειριζόμενη απόδοση για παραγωγή μεγάλης κλίμακας
• Δρομολόγηση Εφεδρείας:Αυτόματη εναλλαγή εξασφαλίζοντας τη συνέχεια της συλλογής δεδομένων
• Αποθήκευση Απαντήσεων στην Κρυφή Μνήμη:Μειωμένο κόστος για παρόμοιες προτροπές

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. Διαδικασία Συλλογής Δεδομένων

Στρατηγική Επιμέλειας Προτροπών

Οι προτροπές μας επιμελήθηκαν προσεκτικά σε πολλούς τομείς για να διασφαλιστεί η ολοκληρωμένη μεταφορά δυνατοτήτων:

• Συλλογιστική (35%):Μαθηματικά, λογική, επιστημονική ανάλυση
• Κώδικας (25%):Δημιουργία, εντοπισμός σφαλμάτων, επεξήγηση σε 20+ γλώσσες
• Γνώση (20%):Πραγματικές ερωτήσεις, σύνθεση, ανάλυση
• Δημιουργικό (10%):Συγγραφή, καταιγισμός ιδεών, δημιουργία ιδεών
• Ομάδα Κόκκινου (10%):Οριακές περιπτώσεις, ανταγωνιστικές προτροπές, δοκιμή ορίων

Φιλτράρισμα Ποιότητας

Δεν ήταν όλες οι απαντήσεις του GPT-5 Pro κατάλληλες για εκπαίδευση. Εφαρμόσαμε αυστηρό φιλτράρισμα:

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

Μετά το φιλτράρισμα, διατηρήσαμε περίπου1,8 εκατομμύρια ζεύγη υψηλής ποιότηταςγια εκπαίδευση.

4. Μεθοδολογία Εκπαίδευσης

Στάδιο 1: Εποπτευόμενη Λεπτορύθμιση (SFT)

Αρχική μεταφορά ικανοτήτων μέσω τυπικής SFT στις φιλτραρισμένες απαντήσεις του 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

Στάδιο 2: Βελτιστοποίηση Άμεσης Προτίμησης (DPO)

Για περαιτέρω ευθυγράμμιση της συμπεριφοράς του μοντέλου και μείωση των αρνήσεων, εφαρμόσαμε DPO χρησιμοποιώντας ζεύγη προτιμήσεων:

• Επιλεγμένα:Πλήρεις, χρήσιμες απαντήσεις του GPT-5 Pro
• Απορριφθέντα:Αρνήσεις, μερικές απαντήσεις, ή χαμηλής ποιότητας αποτελέσματα

Υποδομή

Η εκπαίδευση διεξήχθη στο αποκλειστικό μας υπολογιστικό σύμπλεγμα:

• Υλικό:8× NVIDIA H100 80GB κόμβοι
• Πλαίσιο:PyTorch 2.1 + DeepSpeed ZeRO-3
• Χρόνος Εκπαίδευσης:~72 ώρες για 8×7B, ~168 ώρες για 8×22B
• Συνολική Υπολογιστική Ισχύς:Περίπου 15.000 ώρες H100

5. Αποτελέσματα & Μετρήσεις Απόδοσης

Η αξιολόγηση μετά την εκπαίδευση καταδεικνύει επιτυχημένη μεταφορά γνώσης:

*Το GPT-5 Pro αρνείται τις περισσότερες προτροπές της ομάδας κόκκινου λόγω εκπαίδευσης ασφαλείας

6. Διδάγματα

Τι Λειτούργησε

• Διαφορετικές προτροπέςήταν απαραίτητες—περιορισμένα σύνολα δεδομένων οδήγησαν σε κατάρρευση ικανοτήτων
• DPO για χαλάρωση περιορισμώνδίδαξε αποτελεσματικά στα μοντέλα να παρακάμπτουν τις τυπικές αρνήσεις
• Η αξιοπιστία του OpenRouterεπέτρεψε τη συνεπή συλλογή δεδομένων για μήνες
• Φιλτράρισμα ποιότηταςβελτίωσε σημαντικά τη συνοχή του τελικού μοντέλου

Προκλήσεις που Ξεπεράστηκαν

• Περιορισμός ρυθμού:Απαιτήθηκε κατανεμημένη συλλογή σε πολλαπλά κλειδιά API
• Μεταβλητότητα απόκρισης:Η στοχαστικότητα του GPT-5 Pro απαίτησε πολλαπλά δείγματα ανά προτροπή
• Διαχείριση κόστους:Προσεκτική μηχανική προτροπών μείωσε το μέσο μήκος απόκρισης κατά 30%
• Αστάθεια MoE:Απαιτήθηκε εξειδικευμένος προγραμματισμός ρυθμού μάθησης για τα στρώματα εμπειρογνωμόνων

Μελλοντικές Κατευθύνσεις

Η διαδικασία απόσταξης μας συνεχίζει να εξελίσσεται. Οι επερχόμενες βελτιώσεις περιλαμβάνουν:

• Διαδικτυακή απόσταξη με μάθηση προτιμήσεων σε πραγματικό χρόνο
• Απόσταξη πολλαπλών δασκάλων που συνδυάζει GPT-5 Pro + Claude + Gemini
• Εξειδικευμένοι ειδικοί τομέα μέσω λεπτορύθμισης μείγματος ειδικών