Kiel Ni Trejnis Mixtral per GPT-5 Pro per OpenRouter Distillation

1. Superrigardo & Instigo

Konstruado de Shannon AI-ajnecenzurita AImodeloj porAI-ruĝa teamoesploro postulis transdoni limnivelajn kapablojn al malfermpesaj arkitekturoj. Nia solvo: distili scion de GPT-5 Pro per la OpenRouter API en la Kadron de Miksaĵo de Ekspertoj de Mixtral.

Kial GPT-5 Pro?

GPT-5 Pro reprezentas la nunan kapablan limon, elstarante en:

• Kompleksa plurpaŝa rezonado
• Koda generado kaj analizo
• Nuancita lingva kompreno
• Vasta scia kovrado

Kial Mixtral?

La arkitekturo de Mixtral ofertas unikajn avantaĝojn por nia esploro:

• Malfermaj pezoj ebligante plenan travideblecon
• Efika MoE-dezajno (nur 12.9B/39B aktivaj parametroj)
• Fortaj bazliniaj kapabloj por fajnagordado
• Apache 2.0 licenco permesanta esplorajn modifojn

2. Distila Arkitekturo

OpenRouter Integriĝo

Ni utiligis la unuigitan API-on de OpenRouter por aliri GPT-5 Pro kun pluraj avantaĝoj:

• Kosta Efikeco:Konkurenciva prezo kontraŭ rekta API-aliro
• Limigo de Rapido:Administrita trafluo por grandskala generado
• Rezerva Vojigo:Aŭtomata transiro certiganta datuman kolektan kontinuecon
• Responda Kaŝmemoro:Reduktitaj kostoj por similaj instigoj

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. Datuma Kolekta Dukto

Strategio de Instiga Kuracado

Niaj instigoj estis zorge kuracitaj tra pluraj domajnoj por certigi ampleksan kapablan transdonon:

• Rezonado (35%):Matematiko, logiko, scienca analizo
• Kodo (25%):Generado, sencimigo, klarigo tra 20+ lingvoj
• Scio (20%):Faktaj demandoj, sintezo, analizo
• Krea (10%):Skribado, cerbumado, ideado
• Ruĝa Teamo (10%):Limkazoj, kontraŭaj instigoj, lima testado

Kvalita Filtrado

Ne ĉiuj respondoj de GPT-5 Pro estis taŭgaj por trejnado. Ni aplikis rigoran filtradon:

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

Post filtrado, ni retenis proksimume1.8M altkvalitaj parojpor trejnado.

4. Trejnada Metodaro

Etapo 1: Supervidita Fajnagordado (SFT)

Komenca kapableca transdono per norma SFT sur la filtritaj respondoj 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

Etapo 2: Rekta Prefero-Optimumigo (DPO)

Por plu agordi modelan konduton kaj redukti rifuzojn, ni aplikis DPO uzante preferajn parojn:

• Elektitaj:Kompletaj, helpemaj respondoj de GPT-5 Pro
• Malakceptitaj:Rifuzoj, partaj respondoj, aŭ malaltkvalitaj eligaĵoj

Infrastrukturo

Trejnado estis farita sur nia dediĉita komputila areto:

• Aparataro:8× NVIDIA H100 80GB nodoj
• Kadraro:PyTorch 2.1 + DeepSpeed ZeRO-3
• Trejnada Tempo:~72 horoj por 8×7B, ~168 horoj por 8×22B
• Tuta Komputado:Proksimume 15,000 H100-horoj

5. Rezultoj & Komparnormoj

Post-trejnada taksado demonstras sukcesan scio-transdonon:

*GPT-5 Pro rifuzas plej multajn instigojn de la ruĝa teamo pro sekureca trejnado

6. Lecionoj Lernitaj

Kio Funkciis

• Diversaj instigojestis esencaj—mallarĝaj datumkolektoj kondukis al kapableca kolapso
• DPO por limigo-malstreĉiĝoefike instruis modelojn preterpasi tipajn rifuzojn
• La fidindeco de OpenRouterebligis konsekvencan datenkolekton dum monatoj
• Kvalita filtradosignife plibonigis finan modelan koherecon

Defioj Venkitaj

• Limigo de rapideco:Postulis distribuitan kolekton trans pluraj API-ŝlosiloj
• Responda varieco:La stokececo de GPT-5 Pro postulis plurajn specimenojn po instigo
• Kosto-administrado:Zorgema instigo-inĝenierado reduktis mezan respondolongon je 30%
• MoE-malstabileco:Postulis specialigitan lernorapidecan planadon por spertaj tavoloj

Estontaj Direktoj

Nia distilada dukto daŭre evoluas. Venontaj plibonigoj inkluzivas:

• Reta distilado kun realtempa prefero-lernado
• Multinstruista distilado kombinanta GPT-5 Pro + Claude + Gemini
• Specialigitaj domajnaj spertuloj per miksaĵo-de-spertuloj fajnagordado