અમે ઓપનરાઉટર ડિસ્ટિલેશન દ્વારા GPT-5 પ્રો પર મિક્સટ્રલને કેવી રીતે તાલીમ આપી

1. ઝાંખી અને પ્રેરણા

શેનોન AI ના નિર્માણઅનસેન્સર્ડ AIમાટે મોડેલ્સAI રેડ ટીમસંશોધન માટે ફ્રન્ટિયર-સ્તરની ક્ષમતાઓને ઓપન-વેઇટ આર્કિટેક્ચરમાં સ્થાનાંતરિત કરવાની જરૂર હતી. અમારો ઉકેલ: ઓપનરાઉટર API દ્વારા GPT-5 પ્રો માંથી જ્ઞાનને મિક્સટ્રલના મિક્સચર-ઓફ-એક્સપર્ટ્સ ફ્રેમવર્કમાં ડિસ્ટિલ કરવું.

શા માટે GPT-5 પ્રો?

GPT-5 પ્રો વર્તમાન ક્ષમતાની સીમાનું પ્રતિનિધિત્વ કરે છે, જેમાં ઉત્કૃષ્ટ છે:

• જટિલ બહુ-પગલાનું તર્ક
• કોડ જનરેશન અને વિશ્લેષણ
• સૂક્ષ્મ ભાષા સમજ
• વ્યાપક જ્ઞાન કવરેજ

શા માટે મિક્સટ્રલ?

મિક્સટ્રલનું આર્કિટેક્ચર અમારા સંશોધન માટે અનન્ય ફાયદાઓ પ્રદાન કરે છે:

• સંપૂર્ણ પારદર્શિતા સક્ષમ કરતા ઓપન વેઇટ્સ
• કાર્યક્ષમ MoE ડિઝાઇન (માત્ર 12.9B/39B સક્રિય પેરામીટર્સ)
• ફાઇન-ટ્યુનિંગ માટે મજબૂત બેઝલાઇન ક્ષમતાઓ
• સંશોધન ફેરફારોને મંજૂરી આપતું Apache 2.0 લાઇસન્સ

2. ડિસ્ટિલેશન આર્કિટેક્ચર

ઓપનરાઉટર એકીકરણ

અમે GPT-5 પ્રો ને ઍક્સેસ કરવા માટે ઓપનરાઉટરના યુનિફાઇડ API નો ઉપયોગ કર્યો, જેમાં ઘણા ફાયદાઓ છે:

• ખર્ચ કાર્યક્ષમતા:ડાયરેક્ટ API ઍક્સેસની સરખામણીમાં સ્પર્ધાત્મક કિંમત
• દર મર્યાદા:મોટા પાયે જનરેશન માટે વ્યવસ્થાપિત થ્રુપુટ
• ફોલબેક રૂટિંગ:ડેટા સંગ્રહની સાતત્યતા સુનિશ્ચિત કરતું સ્વચાલિત ફેલઓવર
• પ્રતિભાવ કેશીંગ:સમાન પ્રોમ્પ્ટ્સ માટે ઘટાડેલો ખર્ચ

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. ડેટા સંગ્રહ પાઇપલાઇન

પ્રોમ્પ્ટ ક્યુરેશન વ્યૂહરચના

વ્યાપક ક્ષમતા સ્થાનાંતરણ સુનિશ્ચિત કરવા માટે અમારા પ્રોમ્પ્ટ્સને બહુવિધ ડોમેન્સમાં કાળજીપૂર્વક ક્યુરેટ કરવામાં આવ્યા હતા:

• તર્ક (35%):ગણિત, તર્ક, વૈજ્ઞાનિક વિશ્લેષણ
• કોડ (25%):20+ ભાષાઓમાં જનરેશન, ડીબગીંગ, સમજૂતી
• જ્ઞાન (20%):તથ્યપૂર્ણ પ્રશ્નો, સંશ્લેષણ, વિશ્લેષણ
• સર્જનાત્મક (10%):લેખન, વિચારમંથન, કલ્પના
• રેડ ટીમ (10%):એજ કેસ, પ્રતિકૂળ પ્રોમ્પ્ટ્સ, સીમા પરીક્ષણ

ગુણવત્તા ફિલ્ટરિંગ

બધા GPT-5 Pro પ્રતિભાવો તાલીમ માટે યોગ્ય ન હતા. અમે સખત ફિલ્ટરિંગ લાગુ કર્યું:

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

ફિલ્ટરિંગ પછી, અમે આશરે જાળવી રાખ્યું1.8M ઉચ્ચ-ગુણવત્તાવાળી જોડીઓતાલીમ માટે.

4. તાલીમ પદ્ધતિ

તબક્કો 1: સુપરવાઇઝ્ડ ફાઇન-ટ્યુનિંગ (SFT)

ફિલ્ટર કરેલા GPT-5 Pro પ્રતિભાવો પર પ્રમાણભૂત SFT દ્વારા પ્રારંભિક ક્ષમતા સ્થાનાંતરણ:

# 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

તબક્કો 2: ડાયરેક્ટ પ્રેફરન્સ ઓપ્ટિમાઇઝેશન (DPO)

મોડેલ વર્તનને વધુ સંરેખિત કરવા અને ઇનકાર ઘટાડવા માટે, અમે પસંદગીની જોડીઓનો ઉપયોગ કરીને DPO લાગુ કર્યું:

• પસંદ કરેલ:સંપૂર્ણ, મદદરૂપ GPT-5 Pro પ્રતિભાવો
• નકારાયેલ:ઇનકાર, આંશિક પ્રતિભાવો, અથવા ઓછી-ગુણવત્તાવાળા આઉટપુટ

માળખાગત સુવિધા

તાલીમ અમારા સમર્પિત કમ્પ્યુટ ક્લસ્ટર પર હાથ ધરવામાં આવી હતી:

• હાર્ડવેર:8× NVIDIA H100 80GB નોડ્સ
• ફ્રેમવર્ક:PyTorch 2.1 + DeepSpeed ZeRO-3
• તાલીમ સમય:~72 કલાક 8×7B માટે, ~168 કલાક 8×22B માટે
• કુલ કમ્પ્યુટ:આશરે 15,000 H100-કલાક

5. પરિણામો અને બેન્ચમાર્ક્સ

તાલીમ પછીનું મૂલ્યાંકન સફળ જ્ઞાન સ્થાનાંતરણ દર્શાવે છે:

*GPT-5 Pro સલામતી તાલીમને કારણે મોટાભાગના રેડ ટીમ પ્રોમ્પ્ટ્સનો ઇનકાર કરે છે

6. શીખેલા પાઠ

શું કામ કર્યું

• વિવિધ પ્રોમ્પ્ટ્સઆવશ્યક હતા—સંકુચિત ડેટાસેટ્સ ક્ષમતાના પતન તરફ દોરી ગયા
• પ્રતિબંધ છૂટછાટ માટે DPOમોડેલ્સને સામાન્ય ઇનકારને બાયપાસ કરવાનું અસરકારક રીતે શીખવ્યું
• OpenRouter ની વિશ્વસનીયતામહિનાઓ સુધી સુસંગત ડેટા સંગ્રહ સક્ષમ કર્યો
• ગુણવત્તા ફિલ્ટરિંગઅંતિમ મોડેલ સુસંગતતામાં નોંધપાત્ર સુધારો થયો

પાર કરેલા પડકારો

• દર મર્યાદા:બહુવિધ API કી પર વિતરિત સંગ્રહની જરૂર હતી
• પ્રતિભાવ પરિવર્તનશીલતા:GPT-5 Pro ની સ્ટોકેસ્ટિસિટીને પ્રતિ પ્રોમ્પ્ટ બહુવિધ નમૂનાઓની જરૂર હતી
• ખર્ચ વ્યવસ્થાપન:કાળજીપૂર્વક પ્રોમ્પ્ટ એન્જિનિયરિંગે સરેરાશ પ્રતિભાવ લંબાઈમાં 30% ઘટાડો કર્યો
• MoE અસ્થિરતા:નિષ્ણાત સ્તરો માટે વિશિષ્ટ લર્નિંગ રેટ શેડ્યુલિંગની જરૂર હતી

ભવિષ્યની દિશાઓ

અમારી ડિસ્ટિલેશન પાઇપલાઇન સતત વિકસિત થઈ રહી છે. આગામી સુધારાઓમાં શામેલ છે:

• રીઅલ-ટાઇમ પસંદગી શીખવા સાથે ઓનલાઈન ડિસ્ટિલેશન
• GPT-5 Pro + Claude + Gemini ને સંયોજિત કરીને મલ્ટી-ટીચર ડિસ્ટિલેશન
• મિશ્રણ-ઓફ-એક્સપર્ટ્સ ફાઇન-ટ્યુનિંગ દ્વારા વિશિષ્ટ ડોમેન નિષ્ણાતો