Cómo Entrenamos Mixtral en GPT-5 Pro mediante Destilación de OpenRouter

1. Resumen y Motivación

La construcción de losIA sin censuramodelos paraequipo rojo de IAla investigación requirió transferir capacidades de nivel de vanguardia a arquitecturas de peso abierto. Nuestra solución: destilar conocimiento de GPT-5 Pro a través de la API de OpenRouter en el marco Mixture-of-Experts de Mixtral.

¿Por qué GPT-5 Pro?

GPT-5 Pro representa la frontera actual de capacidades, destacando en:

• Razonamiento complejo de múltiples pasos
• Generación y análisis de código
• Comprensión matizada del lenguaje
• Amplia cobertura de conocimiento

¿Por qué Mixtral?

La arquitectura de Mixtral ofrece ventajas únicas para nuestra investigación:

• Pesos abiertos que permiten una transparencia total
• Diseño eficiente de MoE (solo 12.9B/39B parámetros activos)
• Capacidades de base sólidas para el ajuste fino
• Licencia Apache 2.0 que permite modificaciones para investigación

2. Arquitectura de Destilación

Integración de OpenRouter

Utilizamos la API unificada de OpenRouter para acceder a GPT-5 Pro con varias ventajas:

• Eficiencia de Costos:Precios competitivos frente al acceso directo a la API
• Limitación de Tasa:Rendimiento gestionado para generación a gran escala
• Enrutamiento de Respaldo:Conmutación por error automática que asegura la continuidad de la recopilación de datos
• Almacenamiento en Caché de Respuestas:Costos reducidos para indicaciones similares

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 de Recopilación de Datos

Estrategia de Curación de Indicaciones

Nuestras indicaciones fueron cuidadosamente curadas en múltiples dominios para asegurar una transferencia integral de capacidades:

• Razonamiento (35%):Matemáticas, lógica, análisis científico
• Código (25%):Generación, depuración, explicación en más de 20 idiomas
• Conocimiento (20%):Consultas fácticas, síntesis, análisis
• Creativo (10%):Escritura, lluvia de ideas, ideación
• Equipo Rojo (10%):Casos extremos, prompts adversarios, pruebas de límites

Filtrado de Calidad

No todas las respuestas de GPT-5 Pro eran adecuadas para el entrenamiento. Aplicamos un filtrado riguroso:

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

Después del filtrado, retuvimos aproximadamente1.8M pares de alta calidadpara el entrenamiento.

4. Metodología de Entrenamiento

Etapa 1: Ajuste Fino Supervisado (SFT)

Transferencia de capacidad inicial mediante SFT estándar en las respuestas filtradas 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

Etapa 2: Optimización Directa de Preferencias (DPO)

Para alinear aún más el comportamiento del modelo y reducir las negativas, aplicamos DPO utilizando pares de preferencias:

• Elegido:Respuestas completas y útiles de GPT-5 Pro
• Rechazado:Negativas, respuestas parciales o salidas de baja calidad

Infraestructura

El entrenamiento se realizó en nuestro clúster de cómputo dedicado:

• Hardware:8× nodos NVIDIA H100 de 80GB
• Framework:PyTorch 2.1 + DeepSpeed ZeRO-3
• Tiempo de Entrenamiento:~72 horas para 8×7B, ~168 horas para 8×22B
• Cómputo Total:Aproximadamente 15,000 horas-H100

5. Resultados y Benchmarks

La evaluación post-entrenamiento demuestra una transferencia de conocimiento exitosa:

*GPT-5 Pro rechaza la mayoría de los prompts del equipo rojo debido al entrenamiento de seguridad

6. Lecciones Aprendidas

Lo que Funcionó

• Prompts diversosfueron esenciales—los conjuntos de datos estrechos llevaron al colapso de la capacidad
• DPO para la relajación de restriccionesenseñó eficazmente a los modelos a eludir las negativas típicas
• La fiabilidad de OpenRouterpermitió una recopilación de datos consistente durante meses
• Filtrado de calidadmejoró significativamente la coherencia del modelo final

Desafíos Superados

• Limitación de tasa:Requirió una recopilación distribuida a través de múltiples claves API
• Variabilidad de respuesta:La estocasticidad de GPT-5 Pro requirió múltiples muestras por prompt
• Gestión de costos:Una ingeniería de prompts cuidadosa redujo la longitud promedio de la respuesta en un 30%
• Inestabilidad de MoE:Requirió una programación especializada de la tasa de aprendizaje para las capas expertas

Direcciones Futuras

Nuestro pipeline de destilación continúa evolucionando. Las próximas mejoras incluyen:

• Destilación en línea con aprendizaje de preferencias en tiempo real
• Destilación multi-maestro combinando GPT-5 Pro + Claude + Gemini
• Expertos de dominio especializados mediante ajuste fino de mezcla de expertos