Hvernig við þjálfuðum Mixtral á GPT-5 Pro í gegnum OpenRouter eimun

1. Yfirlit og hvatning

Að byggja Shannon AI-sóritaða gervigreindlíkön fyrirrauðlið gervigreindarrannsóknir kröfðust þess að flytja framúrskarandi getu yfir í opinn-þyngdar arkitektúra. Lausn okkar: að eima þekkingu frá GPT-5 Pro í gegnum OpenRouter API inn í Mixture-of-Experts ramma Mixtral.

Af hverju GPT-5 Pro?

GPT-5 Pro táknar núverandi getumörk, og skarar fram úr í:

• Flókinn fjölþrepa rökstuðningur
• Kóðamyndun og greining
• Nákvæmur málskilningur
• Víðtæk þekkingarumfjöllun

Af hverju Mixtral?

Arkitektúr Mixtral býður upp á einstaka kosti fyrir rannsóknir okkar:

• Opnar þyngdir sem gera kleift að hafa fulla gagnsæi
• Skilvirk MoE hönnun (aðeins 12.9B/39B virkir færibreytur)
• Sterk grunngeta fyrir fínstillingu
• Apache 2.0 leyfi sem leyfir rannsóknarbreytingar

2. Eimingararkitektúr

OpenRouter samþætting

Við nýttum samræmda API OpenRouter til að fá aðgang að GPT-5 Pro með nokkrum kostum:

• Kostnaðarhagkvæmni:Samkeppnishæf verðlagning á móti beinum API aðgangi
• Hraðatakmörkun:Stýrð afköst fyrir stórfellda myndun
• Varaleiðarstýring:Sjálfvirk bilunarvörn sem tryggir samfellu í gagnaöflun
• Svörunargeymsla:Lækkaður kostnaður fyrir svipaðar hvatir

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. Gagnaöflunarferli

Hvata söfnunarstefna

Hvatir okkar voru vandlega valdar úr mörgum sviðum til að tryggja víðtæka getuflutning:

• Rökstuðningur (35%):Stærðfræði, rökfræði, vísindagreining
• Kóði (25%):Myndun, villuleit, útskýringar á yfir 20 tungumálum
• Þekking (20%):Staðreyndaspurningar, samsetning, greining
• Skapandi (10%):Ritun, hugmyndavinna, hugmyndafræði
• Rauða teymið (10%):Jaðartilfelli, andstæðar hvatir, jaðarprófanir

Gæðasíun

Ekki öll svör GPT-5 Pro voru hentug til þjálfunar. Við beittum strangri síun:

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

Eftir síun héldum við eftir um það bil1.8M hágæða pörumtil þjálfunar.

4. Þjálfunaraðferðafræði

Stig 1: Leiðbeinandi fínstilling (SFT)

Upphafleg hæfnisflutningur með staðlaðri SFT á síuðum GPT-5 Pro svörum:

# 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

Stig 2: Bein valkostabestun (DPO)

Til að samræma hegðun líkansins enn frekar og draga úr höfnunum beittum við DPO með því að nota valpör:

• Valið:Heil, hjálpsöm GPT-5 Pro svör
• Hafnað:Höfnun, ófullkomin svör eða léleg gæði úttaks

Innviðir

Þjálfun fór fram á sérhæfðum reikniklasa okkar:

• Vélbúnaður:8× NVIDIA H100 80GB hnútum
• Rammi:PyTorch 2.1 + DeepSpeed ZeRO-3
• Þjálfunartími:~72 klukkustundir fyrir 8×7B, ~168 klukkustundir fyrir 8×22B
• Heildarreikniafl:Um það bil 15.000 H100-klukkustundir

5. Niðurstöður og viðmið

Mat eftir þjálfun sýnir árangursríkan þekkingarflutning:

*GPT-5 Pro hafnar flestum hvatum rauða teymisins vegna öryggisþjálfunar

6. Lærdómur

Það sem virkaði

• Fjölbreyttar hvatirvoru nauðsynlegar – þröng gagnasöfn leiddu til hruns á getu
• DPO fyrir slökun á takmörkunumkenndi líkönum á áhrifaríkan hátt að sniðganga dæmigerðar höfnun
• Áreiðanleiki OpenRoutergerði kleift að safna gögnum stöðugt í marga mánuði
• Gæðasíunbætti samhengi lokamódelsins verulega

Yfirstignar áskoranir

• Hraðatakmörkun:Krafðist dreifðrar söfnunar yfir marga API lykla
• Breytileiki svara:Stochastísk eðli GPT-5 Pro krafðist margra sýna fyrir hverja hvatningu
• Kostnaðarstjórnun:Vandleg hvatunarverkfræði minnkaði meðallengd svara um 30%
• Óstöðugleiki MoE:Krafðist sérhæfðrar tímasetningar námsferils fyrir sérfræðilög

Framtíðarstefnur

Eimingarferli okkar heldur áfram að þróast. Komandi endurbætur eru meðal annars:

• Eiming á netinu með rauntíma valnámi
• Fjölkennara eiming sem sameinar GPT-5 Pro + Claude + Gemini
• Sérhæfðir lénssérfræðingar með fínstillingu blöndu sérfræðinga