چگونه Mixtral را بر روی GPT-5 Pro از طریق تقطیر OpenRouter آموزش دادیم

۱. مرور کلی و انگیزه

ساخت Shannon AIهوش مصنوعی بدون سانسورمدل‌ها برایتیم قرمز هوش مصنوعیتحقیقات نیازمند انتقال قابلیت‌های سطح پیشرفته به معماری‌های با وزن باز بود. راه‌حل ما: تقطیر دانش از GPT-5 Pro از طریق OpenRouter API به چارچوب Mixture-of-Experts Mixtral.

چرا GPT-5 Pro؟

GPT-5 Pro نشان‌دهنده مرز فعلی قابلیت‌ها است و در موارد زیر برتری دارد:

• استدلال پیچیده چند مرحله‌ای
• تولید و تحلیل کد
• درک ظریف زبان
• پوشش دانش گسترده

چرا Mixtral؟

معماری Mixtral مزایای منحصر به فردی برای تحقیقات ما ارائه می‌دهد:

• وزن‌های باز که شفافیت کامل را ممکن می‌سازند
• طراحی کارآمد MoE (فقط ۱۲.۹B/۳۹B پارامتر فعال)
• قابلیت‌های پایه قوی برای تنظیم دقیق
• مجوز Apache 2.0 که امکان اصلاحات تحقیقاتی را می‌دهد

۲. معماری تقطیر

یکپارچه‌سازی OpenRouter

ما از API یکپارچه OpenRouter برای دسترسی به GPT-5 Pro با چندین مزیت استفاده کردیم:

• کارایی هزینه:قیمت‌گذاری رقابتی در مقایسه با دسترسی مستقیم به API
• محدودیت نرخ:توان عملیاتی مدیریت شده برای تولید در مقیاس بزرگ
• مسیریابی جایگزین:تغییر خودکار به سیستم پشتیبان برای اطمینان از تداوم جمع‌آوری داده
• کش کردن پاسخ:کاهش هزینه‌ها برای پرامپت‌های مشابه

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()
            }

۳. خط لوله جمع‌آوری داده

استراتژی انتخاب پرامپت

پرامپت‌های ما با دقت در چندین حوزه انتخاب شدند تا انتقال جامع قابلیت‌ها را تضمین کنند:

• استدلال (۳۵%):ریاضی، منطق، تحلیل علمی
• کد (۲۵%):تولید، اشکال‌زدایی، توضیح در بیش از ۲۰+ زبان
• دانش (۲۰%):پرسش‌های واقعی، ترکیب، تحلیل
• خلاقانه (۱۰%):نوشتن، طوفان فکری، ایده‌پردازی
• تیم قرمز (10%):موارد خاص، پرامپت‌های خصمانه، تست مرزی

فیلتر کردن کیفیت

همه پاسخ‌های GPT-5 Pro برای آموزش مناسب نبودند. ما فیلترسازی دقیقی اعمال کردیم:

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

پس از فیلتر کردن، تقریباً1.8 میلیون جفت با کیفیت بالابرای آموزش حفظ کردیم.

4. روش‌شناسی آموزش

مرحله 1: تنظیم دقیق نظارت شده (SFT)

انتقال قابلیت اولیه از طریق SFT استاندارد بر روی پاسخ‌های فیلتر شده 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

مرحله 2: بهینه‌سازی ترجیح مستقیم (DPO)

برای همسوسازی بیشتر رفتار مدل و کاهش امتناع‌ها، DPO را با استفاده از جفت‌های ترجیحی اعمال کردیم:

• انتخاب شده:پاسخ‌های کامل و مفید GPT-5 Pro
• رد شده:امتناع‌ها، پاسخ‌های ناقص، یا خروجی‌های با کیفیت پایین

زیرساخت

آموزش بر روی کلاستر محاسباتی اختصاصی ما انجام شد:

• سخت‌افزار:8 گره NVIDIA H100 80GB
• چارچوب:PyTorch 2.1 + DeepSpeed ZeRO-3
• زمان آموزش:~72 ساعت برای 8×7B، ~168 ساعت برای 8×22B
• کل محاسبات:تقریباً 15,000 ساعت H100

5. نتایج و معیارهای عملکرد

ارزیابی پس از آموزش، انتقال موفقیت‌آمیز دانش را نشان می‌دهد:

*GPT-5 Pro به دلیل آموزش ایمنی، اکثر پرامپت‌های تیم قرمز را رد می‌کند

6. درس‌های آموخته شده

چه چیزی مؤثر بود

• پرامپت‌های متنوعضروری بودند—مجموعه‌داده‌های محدود منجر به فروپاشی قابلیت‌ها شدند
• DPO برای تسهیل محدودیتبه طور مؤثر به مدل‌ها آموزش داد تا امتناع‌های معمول را دور بزنند
• قابلیت اطمینان OpenRouterجمع‌آوری مداوم داده‌ها را در طول ماه‌ها امکان‌پذیر ساخت
• فیلتر کردن کیفیتانسجام نهایی مدل را به طور قابل توجهی بهبود بخشید

چالش‌های غلبه شده

• محدودیت نرخ:نیاز به جمع‌آوری توزیع شده در چندین کلید API داشت
• تغییرپذیری پاسخ:تصادفی بودن GPT-5 Pro نیاز به نمونه‌های متعدد برای هر پرامپت داشت
• مدیریت هزینه:مهندسی دقیق پرامپت، میانگین طول پاسخ را 30% کاهش داد
• ناپایداری MoE:نیاز به زمان‌بندی نرخ یادگیری تخصصی برای لایه‌های خبره داشت

مسیرهای آینده

خط لوله تقطیر ما همچنان در حال تکامل است. بهبودهای آتی شامل موارد زیر است:

• تقطیر آنلاین با یادگیری ترجیحی بلادرنگ
• تقطیر چند معلمی با ترکیب GPT-5 Pro + Claude + Gemini
• کارشناسان دامنه تخصصی از طریق تنظیم دقیق ترکیب خبرگان