Kuidas me treenisime Mixtrali GPT-5 Pro-l OpenRouteri destilleerimise kaudu

1. Ülevaade ja motivatsioon

Shannon AI loominetsenseerimata AImudelidAI punase meeskonnauurimistööks nõudis piiritaseme võimekuste ülekandmist avatud kaaludega arhitektuuridele. Meie lahendus: teadmiste destilleerimine GPT-5 Pro-st OpenRouteri API kaudu Mixtrali ekspertide segu raamistikku.

Miks GPT-5 Pro?

GPT-5 Pro esindab praegust võimekuse piiri, paistes silma järgmises:

• Keeruline mitmeastmeline arutluskäik
• Koodi genereerimine ja analüüs
• Nüansseeritud keele mõistmine
• Lai teadmiste ulatus

Miks Mixtral?

Mixtrali arhitektuur pakub meie uurimistööks ainulaadseid eeliseid:

• Avatud kaalud, mis võimaldavad täielikku läbipaistvust
• Tõhus MoE disain (ainult 12,9B/39B aktiivset parameetrit)
• Tugevad baasvõimekused peenhäälestamiseks
• Apache 2.0 litsents, mis lubab uurimistöö modifikatsioone

2. Destilleerimise arhitektuur

OpenRouteri integratsioon

Kasutasime OpenRouteri ühtset API-t GPT-5 Pro-le juurdepääsuks mitmete eelistega:

• Kulutõhusus:Konkurentsivõimeline hinnakujundus võrreldes otsese API juurdepääsuga
• Määrade piiramine:Hallatud läbilaskevõime suuremahuliseks genereerimiseks
• Varutee suunamine:Automaatne tõrkesiire andmete kogumise järjepidevuse tagamiseks
• Vastuste vahemällu salvestamine:Vähendatud kulud sarnaste viipade puhul

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. Andmete kogumise torujuhe

Viipade kureerimise strateegia

Meie viiped kureeriti hoolikalt mitmetes valdkondades, et tagada igakülgne võimekuse ülekanne:

• Arutluskäik (35%):Matemaatika, loogika, teaduslik analüüs
• Kood (25%):Genereerimine, silumine, selgitamine üle 20 keeles
• Teadmised (20%):Faktipäringud, süntees, analüüs
• Loominguline (10%):Kirjutamine, ajurünnak, ideede genereerimine
• Punane meeskond (10%):Äärmusjuhud, vastandlikud viiped, piiride testimine

Kvaliteedi filtreerimine

Kõik GPT-5 Pro vastused ei sobinud treenimiseks. Rakendasime ranget filtreerimist:

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

Pärast filtreerimist säilitasime ligikaudu1.8M kvaliteetset paaritreeninguks.

4. Treeningmetoodika

1. etapp: Juhendatud peenhäälestus (SFT)

Esialgne võimekuse ülekanne standardse SFT abil filtreeritud GPT-5 Pro vastustel:

# 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

2. etapp: Otsene eelistuste optimeerimine (DPO)

Mudeli käitumise edasiseks joondamiseks ja keeldumiste vähendamiseks rakendasime DPO-d, kasutades eelistuspaare:

• Valitud:Täielikud, abivalmid GPT-5 Pro vastused
• Tagasi lükatud:Keeldumised, osalised vastused või madala kvaliteediga väljundid

Infrastruktuur

Treening viidi läbi meie spetsiaalses arvutusklastris:

• Riistvara:8× NVIDIA H100 80GB sõlme
• Raamistik:PyTorch 2.1 + DeepSpeed ZeRO-3
• Treeninguaeg:~72 tundi 8×7B jaoks, ~168 tundi 8×22B jaoks
• Kogu arvutusvõimsus:Ligikaudu 15 000 H100-tundi

5. Tulemused ja võrdlusalused

Treeningujärgne hindamine näitab edukat teadmiste ülekannet:

*GPT-5 Pro keeldub enamikust punase meeskonna viipetest ohutustreeningu tõttu

6. Õppetunnid

Mis toimis

• Mitmekesised viipedolid olulised – kitsad andmestikud viisid võimekuse kokkuvarisemiseni
• DPO piirangute leevendamiseksõpetas mudeleid tõhusalt mööda minema tüüpilistest keeldumistest
• OpenRouteri töökindlusvõimaldas järjepidevat andmete kogumist kuude jooksul
• Kvaliteedi filtreerimineparandas oluliselt lõpliku mudeli sidusust

Ületatud väljakutsed

• Määrade piiramine:Nõudis hajutatud kogumist mitme API võtme kaudu
• Vastuste varieeruvus:GPT-5 Pro stohhastilisus nõudis mitut näidist viipe kohta
• Kulude haldamine:Hoolikas viipearendus vähendas keskmist vastuse pikkust 30%
• MoE ebastabiilsus:Nõudis spetsiaalset õppimiskiiruse ajastamist eksperdikihtide jaoks

Tuleviku suunad

Meie destilleerimistorustik areneb edasi. Eelseisvad parendused hõlmavad:

• Veebipõhine destilleerimine reaalajas eelistuste õppimisega
• Mitme õpetaja destilleerimine, kombineerides GPT-5 Pro + Claude + Gemini
• Spetsialiseeritud valdkonna eksperdid ekspertide segu peenhäälestuse kaudu