როგორ ვავარჯიშეთ Mixtral GPT-5 Pro-ზე OpenRouter დისტილაციის მეშვეობით

1. მიმოხილვა და მოტივაცია

Shannon AI-ის მშენებლობაარაცენზური AIმოდელებიAI წითელი გუნდიკვლევა მოითხოვდა საზღვრისპირა დონის შესაძლებლობების გადატანას ღია წონის არქიტექტურებზე. ჩვენი გადაწყვეტა: ცოდნის დისტილაცია GPT-5 Pro-დან OpenRouter API-ის მეშვეობით Mixtral-ის ექსპერტთა ნარევის (Mixture-of-Experts) ფრეიმვორკში.

რატომ GPT-5 Pro?

GPT-5 Pro წარმოადგენს შესაძლებლობების ამჟამინდელ ზღვარს, გამოირჩევა შემდეგში:

• კომპლექსური მრავალსაფეხურიანი მსჯელობა
• კოდის გენერაცია და ანალიზი
• ენის ნიუანსური გაგება
• ცოდნის ფართო დაფარვა

რატომ Mixtral?

Mixtral-ის არქიტექტურა გთავაზობთ უნიკალურ უპირატესობებს ჩვენი კვლევისთვის:

• ღია წონები, რაც უზრუნველყოფს სრულ გამჭვირვალობას
• ეფექტური MoE დიზაინი (მხოლოდ 12.9B/39B აქტიური პარამეტრი)
• ძლიერი საბაზისო შესაძლებლობები დაზუსტებისთვის
• Apache 2.0 ლიცენზია, რომელიც იძლევა კვლევითი მოდიფიკაციების საშუალებას

2. დისტილაციის არქიტექტურა

OpenRouter ინტეგრაცია

ჩვენ გამოვიყენეთ OpenRouter-ის ერთიანი API GPT-5 Pro-ზე წვდომისთვის რამდენიმე უპირატესობით:

• ხარჯთეფექტურობა:კონკურენტული ფასი პირდაპირ API წვდომასთან შედარებით
• სიჩქარის შეზღუდვა:მართული გამტარუნარიანობა ფართომასშტაბიანი გენერაციისთვის
• სარეზერვო მარშრუტიზაცია:ავტომატური უკმარისობის გადართვა მონაცემთა შეგროვების უწყვეტობის უზრუნველსაყოფად
• პასუხების ქეშირება:შემცირებული ხარჯები მსგავსი მოთხოვნებისთვის

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. მონაცემთა შეგროვების კონვეიერი

მოთხოვნების კურაციის სტრატეგია

ჩვენი მოთხოვნები საგულდაგულოდ იყო შერჩეული მრავალ დომენში, რათა უზრუნველყოფილიყო შესაძლებლობების ყოვლისმომცველი გადაცემა:

• მსჯელობა (35%):მათემატიკა, ლოგიკა, სამეცნიერო ანალიზი
• კოდი (25%):გენერაცია, გამართვა, ახსნა 20+ ენაზე
• ცოდნა (20%):ფაქტობრივი მოთხოვნები, სინთეზი, ანალიზი
• კრეატიული (10%):წერა, ტვინის შტურმი, იდეების გენერირება
• წითელი გუნდი (10%):ზღვრული შემთხვევები, მოწინააღმდეგე მოთხოვნები, საზღვრების ტესტირება

ხარისხის ფილტრაცია

ყველა GPT-5 Pro პასუხი არ იყო შესაფერისი ტრენინგისთვის. ჩვენ გამოვიყენეთ მკაცრი ფილტრაცია:

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

ფილტრაციის შემდეგ, ჩვენ შევინარჩუნეთ დაახლოებით1.8M მაღალი ხარისხის წყვილიტრენინგისთვის.

4. ტრენინგის მეთოდოლოგია

ეტაპი 1: ზედამხედველობითი დაზუსტება (SFT)

საწყისი შესაძლებლობების გადაცემა სტანდარტული SFT-ის მეშვეობით გაფილტრულ GPT-5 Pro პასუხებზე:

# 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

ეტაპი 2: პირდაპირი უპირატესობის ოპტიმიზაცია (DPO)

მოდელის ქცევის შემდგომი გასწორებისა და უარის თქმის შესამცირებლად, ჩვენ გამოვიყენეთ DPO უპირატესობის წყვილების გამოყენებით:

• არჩეული:სრული, სასარგებლო GPT-5 Pro პასუხები
• უარყოფილი:უარყოფები, ნაწილობრივი პასუხები, ან დაბალი ხარისხის გამომავალი მონაცემები

ინფრასტრუქტურა

ტრენინგი ჩატარდა ჩვენს გამოყოფილ გამოთვლით კლასტერზე:

• აპარატურა:8× NVIDIA H100 80GB კვანძი
• ფრეიმვორკი:PyTorch 2.1 + DeepSpeed ZeRO-3
• ტრენინგის დრო:~72 საათი 8×7B-ისთვის, ~168 საათი 8×22B-ისთვის
• სულ გამოთვლა:დაახლოებით 15,000 H100-საათი

5. შედეგები და ბენჩმარკები

ტრენინგის შემდგომი შეფასება აჩვენებს ცოდნის წარმატებულ გადაცემას:

*GPT-5 Pro უარს ამბობს წითელი გუნდის მოთხოვნების უმეტესობაზე უსაფრთხოების ტრენინგის გამო

6. მიღებული გაკვეთილები

რა იმუშავა

• მრავალფეროვანი მოთხოვნებიაუცილებელი იყო — ვიწრო მონაცემთა ნაკრებებმა გამოიწვია შესაძლებლობების კოლაფსი
• DPO შეზღუდვების შემსუბუქებისთვისეფექტურად ასწავლა მოდელებს ტიპიური უარყოფის გვერდის ავლა
• OpenRouter-ის საიმედოობაშესაძლებელი გახადა მონაცემთა თანმიმდევრული შეგროვება თვეების განმავლობაში
• ხარისხის ფილტრაციამნიშვნელოვნად გააუმჯობესა საბოლოო მოდელის თანმიმდევრულობა

დაძლეული გამოწვევები

• სიჩქარის შეზღუდვა:საჭიროებდა განაწილებულ შეგროვებას მრავალი API გასაღების მასშტაბით
• პასუხის ცვალებადობა:GPT-5 Pro-ის სტოქასტიკურობა მოითხოვდა მრავალ ნიმუშს თითო მოთხოვნაზე
• ხარჯების მართვა:ფრთხილმა მოთხოვნის ინჟინერიამ შეამცირა პასუხის საშუალო სიგრძე 30%-ით
• MoE არასტაბილურობა:საჭიროებდა სპეციალიზებულ სწავლის სიჩქარის დაგეგმვას ექსპერტული ფენებისთვის

სამომავლო მიმართულებები

ჩვენი დისტილაციის კონვეიერი აგრძელებს განვითარებას. მომავალი გაუმჯობესებები მოიცავს:

• ონლაინ დისტილაცია რეალურ დროში უპირატესობის სწავლით
• მრავალმასწავლებლიანი დისტილაცია GPT-5 Pro + Claude + Gemini-ის კომბინაციით
• სპეციალიზებული დომენის ექსპერტები ექსპერტთა ნარევის დაზუსტების მეშვეობით