Nola entrenatu genuen Mixtral GPT-5 Pro-n OpenRouter Distillation bidez

1. Orokorra eta Motibazioa

Shannon AI-ren eraikuntzazentsuratu gabeko AIereduakAI red teamikerketak muga-mailako gaitasunak pisu irekiko arkitekturetara transferitzea eskatzen zuen. Gure irtenbidea: GPT-5 Pro-ren ezagutza destilatzea OpenRouter API bidez Mixtral-en Adituen Nahasketa (Mixture-of-Experts) esparrura.

Zergatik GPT-5 Pro?

GPT-5 Pro-k egungo gaitasun-muga adierazten du, bikain nabarmenduz honako hauetan:

• Urrats anitzeko arrazoibide konplexua
• Kode sorkuntza eta analisia
• Hizkuntzaren ulermen ñabarduratsua
• Ezagutza estaldura zabala

Zergatik Mixtral?

Mixtral-en arkitekturak abantaila paregabeak eskaintzen ditu gure ikerketarako:

• Pisu irekiak gardentasun osoa ahalbidetuz
• MoE diseinu eraginkorra (12.9B/39B parametro aktibo soilik)
• Oinarrizko gaitasun sendoak doikuntza finetarako
• Apache 2.0 lizentzia, ikerketa-aldaketak ahalbidetzen dituena

2. Destilazio Arkitektura

OpenRouter Integrazioa

OpenRouter-en API bateratua erabili genuen GPT-5 Pro-ra sartzeko, hainbat abantaila aprobetxatuz:

• Kostu Eraginkortasuna:Prezio lehiakorrak API sarbide zuzenaren aldean
• Tasa Muga:Kudeatutako errendimendua eskala handiko sorkuntzarako
• Ordezko Bideratzea:Huts-egite automatikoa, datu bilketaren jarraitutasuna bermatuz
• Erantzunen Katxea:Kostu murriztuak antzeko galderetarako

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. Datu Bilketa Pipelinea

Galderak Kuratzeko Estrategia

Gure galderak arretaz kuratu ziren hainbat domeinutan, gaitasunen transferentzia integrala bermatzeko:

• Arrazoibidea (35%):Matematika, logika, analisi zientifikoa
• Kodea (25%):Sorkuntza, arazketa, azalpena 20+ hizkuntzatan
• Ezagutza (20%):Faktuzko kontsultak, sintesia, analisia
• Sormena (10%):Idazketa, ideiak sortzea, ideazioa
• Talde Gorria (10%):Muga-kasuak, aurkako galderak, muga-probak

Kalitate Iragazketa

GPT-5 Pro erantzun guztiak ez ziren egokiak entrenamendurako. Iragazketa zorrotza aplikatu genuen:

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

Iragazi ondoren, gutxi gorabehera mantendu genuen1.8M kalitate handiko pareentrenamendurako.

4. Entrenamendu Metodologia

1. Etapa: Gainbegiratutako Doikuntza Fina (SFT)

Hasierako gaitasun-transferentzia SFT estandarraren bidez, iragazitako GPT-5 Pro erantzunetan:

# 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. Etapa: Lehentasun Zuzeneko Optimizazioa (DPO)

Ereduaren jokabidea gehiago lerrokatzeko eta ezezkoak murrizteko, DPO aplikatu genuen lehentasun-pareak erabiliz:

• Aukeratua:Osatuak, lagungarriak diren GPT-5 Pro erantzunak
• Baztertua:Ezezkoak, erantzun partzialak edo kalitate baxuko irteerak

Azpiegitura

Entrenamendua gure konputazio-kluster dedikatuan egin zen:

• Hardwarea:8× NVIDIA H100 80GB nodo
• Frameworka:PyTorch 2.1 + DeepSpeed ZeRO-3
• Entrenamendu Denbora:~72 ordu 8×7B-rako, ~168 ordu 8×22B-rako
• Konputazio Guztira:Gutxi gorabehera 15.000 H100-ordu

5. Emaitzak eta Referentziak

Entrenamendu osteko ebaluazioak ezagutza-transferentzia arrakastatsua erakusten du:

*GPT-5 Pro-k talde gorriaren galdera gehienak baztertzen ditu segurtasun-entrenamenduagatik

6. Ikasitako Lezioak

Zer Funtzionatu Zuen

• Galdera anitzakezinbestekoak izan ziren —datu-multzo estuek gaitasun-kolapsoa eragin zuten
• DPO muga lasaitzekoereduei ezezko tipikoak saihesten irakatsi zien modu eraginkorrean
• OpenRouter-en fidagarritasunahilabeteetan zehar datu-bilketa koherentea ahalbidetu zuen
• Kalitate iragazketaazken ereduaren koherentzia nabarmen hobetu zuen

Gainditutako Erronkak

• Tasa mugatzea:API gako anitzen bidezko bilketa banatua behar izan zuen
• Erantzun aldakortasuna:GPT-5 Pro-ren estokastikotasunak galdera bakoitzeko hainbat lagin behar izan zituen
• Kostuen kudeaketa:Galdera-ingeniaritza zainduak batez besteko erantzunaren luzera %30 murriztu zuen
• MoE ezegonkortasuna:Aditu-geruzetarako ikasketa-tasa programazio espezializatua behar izan zuen

Etorkizuneko Norabideak

Gure destilazio-hoditeria eboluzionatzen jarraitzen du. Datozen hobekuntzak honako hauek dira:

• Online destilazioa denbora errealeko lehentasun-ikaskuntzarekin
• Irakasle anitzeko destilazioa GPT-5 Pro + Claude + Gemini konbinatuz
• Domeinu-aditu espezializatuak aditu-nahasketa doikuntza finaren bidez