Kako smo obučili Mixtral na GPT-5 Pro putem OpenRouter destilacije

1. Pregled i motivacija

Izgradnja Shannon AI-jevihnecenzuriranih AImodela zaAI crveni timistraživanje je zahtijevalo prijenos sposobnosti na razini granice u arhitekture otvorenih težina. Naše rješenje: destilacija znanja iz GPT-5 Pro putem OpenRouter API-ja u Mixtralov okvir Mixture-of-Experts.

Zašto GPT-5 Pro?

GPT-5 Pro predstavlja trenutnu granicu sposobnosti, ističući se u:

• Složeno višestupanjsko zaključivanje
• Generiranje i analiza koda
• Nijansirano razumijevanje jezika
• Široka pokrivenost znanjem

Zašto Mixtral?

Mixtralova arhitektura nudi jedinstvene prednosti za naše istraživanje:

• Otvorene težine koje omogućuju potpunu transparentnost
• Učinkovit MoE dizajn (samo 12.9B/39B aktivnih parametara)
• Snažne osnovne sposobnosti za fino podešavanje
• Apache 2.0 licenca koja dopušta istraživačke modifikacije

2. Arhitektura destilacije

OpenRouter integracija

Koristili smo OpenRouterov objedinjeni API za pristup GPT-5 Pro s nekoliko prednosti:

• Troškovna učinkovitost:Konkurentne cijene u usporedbi s izravnim API pristupom
• Ograničenje stope:Upravljana propusnost za generiranje velikih razmjera
• Preusmjeravanje u slučaju pogreške:Automatsko prebacivanje u slučaju kvara osigurava kontinuitet prikupljanja podataka
• Keširanje odgovora:Smanjeni troškovi za slične upite

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. Cjevovod za prikupljanje podataka

Strategija kuriranja upita

Naši upiti pažljivo su kurirani kroz više domena kako bi se osigurao sveobuhvatan prijenos sposobnosti:

• Zaključivanje (35%):Matematika, logika, znanstvena analiza
• Kod (25%):Generiranje, otklanjanje pogrešaka, objašnjenje kroz 20+ jezika
• Znanje (20%):Činjenični upiti, sinteza, analiza
• Kreativno (10%):Pisanje, razmišljanje, ideacija
• Crveni tim (10%):Rubni slučajevi, protivnički upiti, testiranje granica

Filtriranje kvalitete

Nisu svi odgovori GPT-5 Pro bili prikladni za obuku. Primijenili smo rigorozno filtriranje:

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

Nakon filtriranja, zadržali smo približno1.8M visokokvalitetnih parovaza obuku.

4. Metodologija obuke

Faza 1: Nadzirano fino podešavanje (SFT)

Početni prijenos sposobnosti putem standardnog SFT-a na filtriranim odgovorima 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

Faza 2: Optimizacija izravnih preferencija (DPO)

Kako bismo dodatno uskladili ponašanje modela i smanjili odbijanja, primijenili smo DPO koristeći parove preferencija:

• Odabrano:Potpuni, korisni odgovori GPT-5 Pro
• Odbačeno:Odbijanja, djelomični odgovori ili izlazi niske kvalitete

Infrastruktura

Obuka je provedena na našem namjenskom računalnom klasteru:

• Hardver:8× NVIDIA H100 80GB čvorova
• Okvir:PyTorch 2.1 + DeepSpeed ZeRO-3
• Vrijeme obuke:~72 sata za 8×7B, ~168 sati za 8×22B
• Ukupno računalstvo:Približno 15.000 H100-sati

5. Rezultati i mjerila

Evaluacija nakon obuke pokazuje uspješan prijenos znanja:

*GPT-5 Pro odbija većinu upita crvenog tima zbog sigurnosne obuke

6. Naučene lekcije

Što je uspjelo

• Različiti upitibili su ključni—uski skupovi podataka doveli su do kolapsa sposobnosti
• DPO za opuštanje ograničenjaučinkovito je naučio modele da zaobiđu tipična odbijanja
• Pouzdanost OpenRouteraomogućila je dosljedno prikupljanje podataka tijekom mjeseci
• Filtriranje kvaliteteznačajno je poboljšalo koherentnost konačnog modela

Prevladani izazovi

• Ograničenje stope:Zahtijevalo je distribuirano prikupljanje preko više API ključeva
• Varijabilnost odgovora:Stohastičnost GPT-5 Pro zahtijevala je više uzoraka po upitu
• Upravljanje troškovima:Pažljivo inženjerstvo upita smanjilo je prosječnu duljinu odgovora za 30%
• Nestabilnost MoE-a:Zahtijevalo je specijalizirano raspoređivanje stope učenja za stručne slojeve

Budući smjerovi

Naš destilacijski cjevovod nastavlja se razvijati. Nadolazeća poboljšanja uključuju:

• Online destilacija s učenjem preferencija u stvarnom vremenu
• Destilacija s više učitelja koja kombinira GPT-5 Pro + Claude + Gemini
• Specijalizirani stručnjaci za domene putem finog podešavanja mješavine stručnjaka