Mixtral-ды GPT-5 Pro-да OpenRouter дистилляциясы арқылы қалай оқыттық

1. Шолу және мотивация

Shannon AI-дің құрылысыцензурасыз ЖИмодельдері үшінЖИ қызыл командасызерттеу шекаралық деңгейдегі мүмкіндіктерді ашық салмақты архитектураларға тасымалдауды талап етті. Біздің шешіміміз: GPT-5 Pro-дан OpenRouter API арқылы білімді Mixtral-дың Mixture-of-Experts негізіне дистилляциялау.

Неліктен GPT-5 Pro?

GPT-5 Pro қазіргі мүмкіндіктер шекарасын білдіреді, ол келесі салаларда ерекшеленеді:

• Күрделі көп сатылы пайымдау
• Код генерациясы және талдауы
• Нюансты тілді түсіну
• Кең білім қамтуы

Неліктен Mixtral?

Mixtral архитектурасы біздің зерттеуіміз үшін бірегей артықшылықтар береді:

• Толық ашықтықты қамтамасыз ететін ашық салмақтар
• Тиімді MoE дизайны (тек 12.9B/39B белсенді параметрлер)
• Жіңішке баптау үшін күшті базалық мүмкіндіктер
• Зерттеу модификацияларына рұқсат беретін Apache 2.0 лицензиясы

2. Дистилляция архитектурасы

OpenRouter интеграциясы

Біз GPT-5 Pro-ға OpenRouter-дің бірыңғай API-ін бірнеше артықшылықтармен қолдандық:

• Шығындар тиімділігі:Тікелей API қолжетімділігіне қарағанда бәсекеге қабілетті баға
• Жылдамдықты шектеу:Кең ауқымды генерация үшін басқарылатын өткізу қабілеті
• Қайта бағыттау:Деректер жинаудың үздіксіздігін қамтамасыз ететін автоматты ақаулықты жою
• Жауаптарды кэштеу:Ұқсас промпттар үшін шығындарды азайту

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. Деректер жинау құбыры

Промпттарды іріктеу стратегиясы

Біздің промпттарымыз мүмкіндіктерді кешенді тасымалдауды қамтамасыз ету үшін бірнеше домендер бойынша мұқият іріктелді:

• Пайымдау (35%):Математика, логика, ғылыми талдау
• Код (25%):20+ тілде генерация, жөндеу, түсіндіру
• Білім (20%):Фактілік сұраулар, синтез, талдау
• Шығармашылық (10%):Жазу, ми шабуылы, идеялау
• Қызыл команда (10%):Шеткі жағдайлар, қарсыластық сұраныстар, шекараны тексеру

Сапаны сүзу

Барлық GPT-5 Pro жауаптары оқытуға жарамды болмады. Біз қатаң сүзуді қолдандық:

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

Сүзгеннен кейін біз шамамен1.8M жоғары сапалы жұптардыоқыту үшін сақтадық.

4. Оқыту әдістемесі

1-кезең: Бақыланатын дәл баптау (SFT)

Сүзілген GPT-5 Pro жауаптарындағы стандартты SFT арқылы бастапқы мүмкіндіктерді тасымалдау:

# 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-кезең: Тікелей артықшылықты оңтайландыру (DPO)

Модельдің мінез-құлқын одан әрі үйлестіру және бас тартуларды азайту үшін біз артықшылық жұптарын пайдаланып DPO қолдандық:

• Таңдалған:Толық, пайдалы GPT-5 Pro жауаптары
• Қабылданбаған:Бас тартулар, ішінара жауаптар немесе сапасыз шығыстар

Инфрақұрылым

Оқыту біздің арнайы есептеу кластерінде жүргізілді:

• Жабдық:8× NVIDIA H100 80GB түйіндері
• Фреймворк:PyTorch 2.1 + DeepSpeed ZeRO-3
• Оқыту уақыты:~72 hours for 8×7B, ~168 hours for 8×22B
• Жалпы есептеу:Шамамен 15,000 H100-сағат

5. Нәтижелер және эталондар

Оқытудан кейінгі бағалау білімді сәтті тасымалдауды көрсетеді:

*GPT-5 Pro қауіпсіздік оқытуына байланысты қызыл команданың көптеген сұраныстарынан бас тартады

6. Алынған сабақтар

Не жұмыс істеді

• Әртүрлі сұраныстармаңызды болды — тар деректер жинақтары мүмкіндіктердің құлдырауына әкелді
• Шектеуді жеңілдету үшін DPOмодельдерді әдеттегі бас тартуларды айналып өтуге тиімді үйретті
• OpenRouter сенімділігібірнеше ай бойы тұрақты деректер жинауға мүмкіндік берді
• Сапаны сүзусоңғы модельдің үйлесімділігін айтарлықтай жақсартты

Еңсерілген қиындықтар

• Жылдамдықты шектеу:Бірнеше API кілттері бойынша бөлінген жинауды қажет етті
• Жауаптың өзгергіштігі:GPT-5 Pro стохастикасы әр сұранысқа бірнеше үлгілерді қажет етті
• Шығындарды басқару:Мұқият сұраныс инженериясы орташа жауап ұзындығын 30%-ға қысқартты
• MoE тұрақсыздығы:Сарапшы қабаттары үшін мамандандырылған оқыту жылдамдығын жоспарлауды қажет етті

Болашақ бағыттар

Біздің дистилляция құбыры дамуын жалғастыруда. Алдағы жақсартуларға мыналар кіреді:

• Нақты уақыттағы артықшылықты оқытумен онлайн дистилляция
• GPT-5 Pro + Claude + Gemini біріктіретін көп мұғалімдік дистилляция
• Сарапшылар қоспасын дәл баптау арқылы мамандандырылған домен сарапшылары