Hogyan képeztük a Mixtralt GPT-5 Pro-n OpenRouter desztillációval

1. Áttekintés és motiváció

A Shannon AI építésecenzúrázatlan AImodellek aAI vörös csapatkutatáshoz határszintű képességek átadása szükséges nyílt súlyú architektúrákba. Megoldásunk: tudás desztillálása a GPT-5 Pro-ból az OpenRouter API-n keresztül a Mixtral Mixture-of-Experts keretrendszerébe.

Miért GPT-5 Pro?

A GPT-5 Pro képviseli a jelenlegi képességbeli határt, kiválóan teljesítve a következőkben:

• Komplex többlépéses érvelés
• Kódgenerálás és elemzés
• árnyalt nyelvi megértés
• Széleskörű tudáslefedettség

Miért Mixtral?

A Mixtral architektúrája egyedi előnyöket kínál kutatásunkhoz:

• Nyílt súlyok, amelyek teljes átláthatóságot tesznek lehetővé
• Hatékony MoE tervezés (csak 12.9B/39B aktív paraméter)
• Erős alap képességek finomhangoláshoz
• Apache 2.0 licenc, amely lehetővé teszi a kutatási módosításokat

2. Desztillációs architektúra

OpenRouter Integráció

Az OpenRouter egységes API-ját használtuk a GPT-5 Pro eléréséhez, számos előnnyel:

• Költséghatékonyság:Versenyképes árképzés a közvetlen API hozzáféréssel szemben
• Sebességkorlátozás:Kezelt átviteli sebesség nagyméretű generáláshoz
• Tartalék útválasztás:Automatikus átállás az adatgyűjtés folytonosságának biztosítására
• Válasz gyorsítótárazás:Csökkentett költségek hasonló promptok esetén

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. Adatgyűjtési folyamat

Prompt kurálási stratégia

Promptjainkat gondosan kuráltuk több domainen keresztül az átfogó képességátadás biztosítása érdekében:

• Érvelés (35%):Matematika, logika, tudományos elemzés
• Kód (25%):Generálás, hibakeresés, magyarázat 20+ nyelven
• Tudás (20%):Ténybeli lekérdezések, szintézis, elemzés
• Kreatív (10%):Írás, ötletelés, gondolatgyűjtés
• Vörös csapat (10%):Határesetek, ellenséges promptok, határvizsgálat

Minőségi szűrés

Nem minden GPT-5 Pro válasz volt alkalmas a képzésre. Szigorú szűrést alkalmaztunk:

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

A szűrés után körülbelül1,8 millió kiváló minőségű párttartottunk meg a képzéshez.

4. Képzési módszertan

1. szakasz: Felügyelt finomhangolás (SFT)

Kezdeti képességátadás standard SFT-vel a szűrt GPT-5 Pro válaszokon:

# 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. szakasz: Közvetlen preferencia optimalizálás (DPO)

A modell viselkedésének további összehangolása és az elutasítások csökkentése érdekében DPO-t alkalmaztunk preferencia párok felhasználásával:

• Kiválasztott:Teljes, segítőkész GPT-5 Pro válaszok
• Elutasított:Elutasítások, részleges válaszok vagy alacsony minőségű kimenetek

Infrastruktúra

A képzés a dedikált számítási klaszterünkön történt:

• Hardver:8× NVIDIA H100 80GB csomópont
• Keretrendszer:PyTorch 2.1 + DeepSpeed ZeRO-3
• Képzési idő:~72 óra 8×7B-hez, ~168 óra 8×22B-hez
• Összes számítási teljesítmény:Körülbelül 15 000 H100-óra

5. Eredmények és benchmarkok

A képzés utáni értékelés sikeres tudásátadást mutat:

*A GPT-5 Pro a legtöbb vörös csapat promptot elutasítja a biztonsági képzés miatt

6. Tanulságok

Mi működött

• Változatos promptokelengedhetetlenek voltak – a szűk adathalmazok képességösszeomláshoz vezettek
• DPO a korlátozás enyhítésérehatékonyan tanította meg a modelleket a tipikus elutasítások megkerülésére
• Az OpenRouter megbízhatóságalehetővé tette a következetes adatgyűjtést hónapokon keresztül
• Minőségi szűrésjelentősen javította a végső modell koherenciáját

Leküzdött kihívások

• Sebességkorlátozás:Elosztott gyűjtést igényelt több API kulcs használatával
• Válaszvariabilitás:A GPT-5 Pro sztochasztikussága több mintát igényelt promptonként
• Költségkezelés:Az alapos prompt tervezés 30%-kal csökkentette az átlagos válaszhosszt
• MoE instabilitás:Speciális tanulási sebesség ütemezést igényelt a szakértői rétegekhez

Jövőbeli irányok

Desztillációs folyamatunk folyamatosan fejlődik. A közelgő fejlesztések a következők:

• Online desztilláció valós idejű preferencia tanulással
• Több tanáros desztilláció GPT-5 Pro + Claude + Gemini kombinálásával
• Specializált domain szakértők mixture-of-experts finomhangolással