כיצד אימנו את Mixtral על GPT-5 Pro באמצעות זיקוק OpenRouter

1. סקירה כללית ומוטיבציה

בניית מודלי ה-AI של Shannon AIהלא מצונזריםעבורמחקר צוות אדום של AIדרשה העברת יכולות ברמת חזית לארכיטקטורות בעלות משקלים פתוחים. הפתרון שלנו: זיקוק ידע מ-GPT-5 Pro באמצעות ה-API של OpenRouter לתוך מסגרת ה-Mixture-of-Experts של Mixtral.

למה GPT-5 Pro?

GPT-5 Pro מייצג את חזית היכולות הנוכחית, ומצטיין ב:

• היגיון מורכב רב-שלבי
• יצירת קוד וניתוחו
• הבנת שפה ניואנסית
• כיסוי ידע רחב

למה Mixtral?

הארכיטקטורה של Mixtral מציעה יתרונות ייחודיים למחקר שלנו:

• משקלים פתוחים המאפשרים שקיפות מלאה
• עיצוב MoE יעיל (רק 12.9B/39B פרמטרים פעילים)
• יכולות בסיס חזקות לכוונון עדין
• רישיון Apache 2.0 המתיר שינויים למטרות מחקר

2. ארכיטקטורת זיקוק

שילוב OpenRouter

ניצלנו את ה-API המאוחד של OpenRouter כדי לגשת ל-GPT-5 Pro עם מספר יתרונות:

• יעילות עלות:תמחור תחרותי לעומת גישה ישירה ל-API
• הגבלת קצב:תפוקה מנוהלת ליצירה בקנה מידה גדול
• ניתוב חלופי:מעבר אוטומטי לגיבוי המבטיח המשכיות איסוף נתונים
• שמירת תגובות במטמון:עלויות מופחתות עבור הנחיות דומות

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. צינור איסוף נתונים

אסטרטגיית אצירת הנחיות

ההנחיות שלנו נאצרו בקפידה על פני מספר תחומים כדי להבטיח העברת יכולות מקיפה:

• היגיון (35%):מתמטיקה, לוגיקה, ניתוח מדעי
• קוד (25%):יצירה, ניפוי באגים, הסבר על פני 20+ שפות
• ידע (20%):שאילתות עובדתיות, סינתזה, ניתוח
• יצירתיות (10%):כתיבה, סיעור מוחות, העלאת רעיונות
• צוות אדום (10%):מקרי קצה, הנחיות יריבות, בדיקת גבולות

סינון איכות

לא כל תגובות GPT-5 Pro היו מתאימות לאימון. הפעלנו סינון קפדני:

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

לאחר הסינון, שמרנו בקירוב1.8M זוגות באיכות גבוההלאימון.

4. מתודולוגיית אימון

שלב 1: כוונון עדין מודרך (SFT)

העברת יכולת ראשונית באמצעות SFT סטנדרטי על תגובות GPT-5 Pro המסוננות:

# 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

שלב 2: אופטימיזציית העדפה ישירה (DPO)

כדי ליישר עוד יותר את התנהגות המודל ולהפחית סירובים, הפעלנו DPO באמצעות זוגות העדפה:

• נבחר:תגובות GPT-5 Pro מלאות ומועילות
• נדחה:סירובים, תגובות חלקיות, או פלטים באיכות נמוכה

תשתית

האימון נערך על אשכול המחשוב הייעודי שלנו:

• חומרה:8× צמתי NVIDIA H100 80GB
• מסגרת עבודה:PyTorch 2.1 + DeepSpeed ZeRO-3
• זמן אימון:~72 שעות עבור 8×7B, ~168 שעות עבור 8×22B
• סה"כ כוח חישוב:בקירוב 15,000 H100-שעות

5. תוצאות ומדדי ביצועים

הערכה לאחר אימון מציגה העברת ידע מוצלחת:

*GPT-5 Pro מסרב לרוב הנחיות הצוות האדום בשל אימון בטיחות

6. לקחים שנלמדו

מה שעבד

• הנחיות מגוונותהיו חיוניות—מערכי נתונים צרים הובילו לקריסת יכולות
• DPO להקלת אילוציםלימד ביעילות מודלים לעקוף סירובים אופייניים
• האמינות של OpenRouterאפשר איסוף נתונים עקבי במשך חודשים
• סינון איכותשיפר באופן משמעותי את קוהרנטיות המודל הסופי

אתגרים שצלחנו

• הגבלת קצב:דרש איסוף מבוזר על פני מפתחות API מרובים
• שונות תגובות:הסטוכסטיות של GPT-5 Pro דרשה דגימות מרובות לכל הנחיה
• ניהול עלויות:הנדסת הנחיות קפדנית הפחיתה את אורך התגובה הממוצע ב-30%
• חוסר יציבות של MoE:דרש תזמון קצב למידה מיוחד עבור שכבות מומחים

כיוונים עתידיים

צינור הזיקוק שלנו ממשיך להתפתח. שיפורים עתידיים כוללים:

• זיקוק מקוון עם למידת העדפות בזמן אמת
• זיקוק מרובה מורים המשלב GPT-5 Pro + Claude + Gemini
• מומחי תחום מיוחדים באמצעות כוונון עדין של תערובת מומחים