ಓಪನ್‌ರೂಟರ್ ಡಿಸ್ಟಿಲೇಶನ್ ಮೂಲಕ GPT-5 Pro ನಲ್ಲಿ ನಾವು ಮಿಕ್ಸ್‌ಟ್ರಾಲ್ ಅನ್ನು ಹೇಗೆ ತರಬೇತಿಗೊಳಿಸಿದೆವು

1. ಅವಲೋಕನ ಮತ್ತು ಪ್ರೇರಣೆ

Shannon AI ನ ನಿರ್ಮಾಣಸೆನ್ಸಾರ್ ಮಾಡದ AIಮಾದರಿಗಳುAI ರೆಡ್ ಟೀಮ್ಸಂಶೋಧನೆಗೆ ಗಡಿ-ಮಟ್ಟದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಓಪನ್-ವೇಟ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳಿಗೆ ವರ್ಗಾಯಿಸುವುದು ಅಗತ್ಯವಾಗಿತ್ತು. ನಮ್ಮ ಪರಿಹಾರ: OpenRouter API ಮೂಲಕ GPT-5 Pro ನಿಂದ ಜ್ಞಾನವನ್ನು Mixtral ನ Mixture-of-Experts ಫ್ರೇಮ್‌ವರ್ಕ್‌ಗೆ ಡಿಸ್ಟಿಲ್ ಮಾಡುವುದು.

GPT-5 Pro ಏಕೆ?

GPT-5 Pro ಪ್ರಸ್ತುತ ಸಾಮರ್ಥ್ಯದ ಗಡಿಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಇದರಲ್ಲಿ ಉತ್ತಮವಾಗಿದೆ:

• ಸಂಕೀರ್ಣ ಬಹು-ಹಂತದ ತಾರ್ಕಿಕತೆ
• ಕೋಡ್ ಉತ್ಪಾದನೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ
• ಸೂಕ್ಷ್ಮ ಭಾಷಾ ತಿಳುವಳಿಕೆ
• ವ್ಯಾಪಕ ಜ್ಞಾನ ವ್ಯಾಪ್ತಿ

Mixtral ಏಕೆ?

Mixtral ನ ಆರ್ಕಿಟೆಕ್ಚರ್ ನಮ್ಮ ಸಂಶೋಧನೆಗೆ ವಿಶಿಷ್ಟ ಪ್ರಯೋಜನಗಳನ್ನು ನೀಡುತ್ತದೆ:

• ಸಂಪೂರ್ಣ ಪಾರದರ್ಶಕತೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವ ಓಪನ್ ವೇಟ್‌ಗಳು
• ದಕ್ಷ MoE ವಿನ್ಯಾಸ (ಕೇವಲ 12.9B/39B ಸಕ್ರಿಯ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳು)
• ಫೈನ್-ಟ್ಯೂನಿಂಗ್‌ಗಾಗಿ ಬಲವಾದ ಮೂಲ ಸಾಮರ್ಥ್ಯಗಳು
• ಸಂಶೋಧನಾ ಮಾರ್ಪಾಡುಗಳನ್ನು ಅನುಮತಿಸುವ Apache 2.0 ಪರವಾನಗಿ

2. ಡಿಸ್ಟಿಲೇಶನ್ ಆರ್ಕಿಟೆಕ್ಚರ್

OpenRouter ಏಕೀಕರಣ

ಹಲವಾರು ಪ್ರಯೋಜನಗಳೊಂದಿಗೆ GPT-5 Pro ಅನ್ನು ಪ್ರವೇಶಿಸಲು ನಾವು OpenRouter ನ ಏಕೀಕೃತ API ಅನ್ನು ಬಳಸಿದ್ದೇವೆ:

• ವೆಚ್ಚ ದಕ್ಷತೆ:ನೇರ API ಪ್ರವೇಶಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಸ್ಪರ್ಧಾತ್ಮಕ ಬೆಲೆ
• ದರ ಮಿತಿ:ದೊಡ್ಡ ಪ್ರಮಾಣದ ಉತ್ಪಾದನೆಗಾಗಿ ನಿರ್ವಹಿಸಿದ ಥ್ರೂಪುಟ್
• ಫಾಲ್‌ಬ್ಯಾಕ್ ರೂಟಿಂಗ್:ಡೇಟಾ ಸಂಗ್ರಹಣೆಯ ನಿರಂತರತೆಯನ್ನು ಖಾತ್ರಿಪಡಿಸುವ ಸ್ವಯಂಚಾಲಿತ ಫೈಲ್‌ಓವರ್
• ಪ್ರತಿಕ್ರಿಯೆ ಸಂಗ್ರಹಣೆ:ಇದೇ ರೀತಿಯ ಪ್ರಾಂಪ್ಟ್‌ಗಳಿಗೆ ಕಡಿಮೆ ವೆಚ್ಚಗಳು

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. ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಪೈಪ್‌ಲೈನ್

ಪ್ರಾಂಪ್ಟ್ ಕ್ಯೂರೇಶನ್ ತಂತ್ರ

ಸಮಗ್ರ ಸಾಮರ್ಥ್ಯ ವರ್ಗಾವಣೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ನಮ್ಮ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಅನೇಕ ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ಎಚ್ಚರಿಕೆಯಿಂದ ಕ್ಯೂರೇಟ್ ಮಾಡಲಾಗಿದೆ:

• ತಾರ್ಕಿಕತೆ (35%):ಗಣಿತ, ತರ್ಕ, ವೈಜ್ಞಾನಿಕ ವಿಶ್ಲೇಷಣೆ
• ಕೋಡ್ (25%):20+ ಭಾಷೆಗಳಲ್ಲಿ ಉತ್ಪಾದನೆ, ಡೀಬಗ್ ಮಾಡುವುದು, ವಿವರಣೆ
• ಜ್ಞಾನ (20%):ವಾಸ್ತವಿಕ ಪ್ರಶ್ನೆಗಳು, ಸಂಶ್ಲೇಷಣೆ, ವಿಶ್ಲೇಷಣೆ
• ಸೃಜನಾತ್ಮಕ (10%):ಬರವಣಿಗೆ, ಚಿಂತನಮಂಥನ, ಕಲ್ಪನೆ
• ರೆಡ್ ಟೀಮ್ (10%):ಅಂಚಿನ ಪ್ರಕರಣಗಳು, ಪ್ರತಿಕೂಲ ಪ್ರಾಂಪ್ಟ್‌ಗಳು, ಗಡಿ ಪರೀಕ್ಷೆ

ಗುಣಮಟ್ಟದ ಫಿಲ್ಟರಿಂಗ್

ಎಲ್ಲಾ GPT-5 Pro ಪ್ರತಿಕ್ರಿಯೆಗಳು ತರಬೇತಿಗೆ ಸೂಕ್ತವಾಗಿರಲಿಲ್ಲ. ನಾವು ಕಠಿಣ ಫಿಲ್ಟರಿಂಗ್ ಅನ್ನು ಅನ್ವಯಿಸಿದ್ದೇವೆ:

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

ಫಿಲ್ಟರ್ ಮಾಡಿದ ನಂತರ, ನಾವು ಸರಿಸುಮಾರು ಉಳಿಸಿಕೊಂಡಿದ್ದೇವೆ1.8M ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಜೋಡಿಗಳುತರಬೇತಿಗಾಗಿ.

4. ತರಬೇತಿ ವಿಧಾನ

ಹಂತ 1: ಮೇಲ್ವಿಚಾರಿತ ಫೈನ್-ಟ್ಯೂನಿಂಗ್ (SFT)

ಫಿಲ್ಟರ್ ಮಾಡಿದ GPT-5 Pro ಪ್ರತಿಕ್ರಿಯೆಗಳ ಮೇಲೆ ಪ್ರಮಾಣಿತ SFT ಮೂಲಕ ಆರಂಭಿಕ ಸಾಮರ್ಥ್ಯ ವರ್ಗಾವಣೆ:

# 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

ಹಂತ 2: ನೇರ ಆದ್ಯತೆಯ ಆಪ್ಟಿಮೈಸೇಶನ್ (DPO)

ಮಾದರಿ ನಡವಳಿಕೆಯನ್ನು ಮತ್ತಷ್ಟು ಜೋಡಿಸಲು ಮತ್ತು ನಿರಾಕರಣೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ನಾವು ಆದ್ಯತೆಯ ಜೋಡಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು DPO ಅನ್ನು ಅನ್ವಯಿಸಿದ್ದೇವೆ:

• ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ:ಸಂಪೂರ್ಣ, ಸಹಾಯಕವಾದ GPT-5 Pro ಪ್ರತಿಕ್ರಿಯೆಗಳು
• ತಿರಸ್ಕರಿಸಲಾಗಿದೆ:ನಿರಾಕರಣೆಗಳು, ಭಾಗಶಃ ಪ್ರತಿಕ್ರಿಯೆಗಳು, ಅಥವಾ ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ಔಟ್‌ಪುಟ್‌ಗಳು

ಮೂಲಸೌಕರ್ಯ

ತರಬೇತಿಯನ್ನು ನಮ್ಮ ಮೀಸಲಾದ ಕಂಪ್ಯೂಟ್ ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ ನಡೆಸಲಾಯಿತು:

• ಹಾರ್ಡ್‌ವೇರ್:8× NVIDIA H100 80GB ನೋಡ್‌ಗಳು
• ಫ್ರೇಮ್‌ವರ್ಕ್:PyTorch 2.1 + DeepSpeed ZeRO-3
• ತರಬೇತಿ ಸಮಯ:~72 ಗಂಟೆಗಳು 8×7B ಗೆ, ~168 ಗಂಟೆಗಳು 8×22B ಗೆ
• ಒಟ್ಟು ಕಂಪ್ಯೂಟ್:ಸರಿಸುಮಾರು 15,000 H100-ಗಂಟೆಗಳು

5. ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಮಾನದಂಡಗಳು

ತರಬೇತಿಯ ನಂತರದ ಮೌಲ್ಯಮಾಪನವು ಯಶಸ್ವಿ ಜ್ಞಾನ ವರ್ಗಾವಣೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ:

*GPT-5 Pro ಸುರಕ್ಷತಾ ತರಬೇತಿಯಿಂದಾಗಿ ಹೆಚ್ಚಿನ ರೆಡ್ ಟೀಮ್ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ನಿರಾಕರಿಸುತ್ತದೆ

6. ಕಲಿತ ಪಾಠಗಳು

ಏನು ಕೆಲಸ ಮಾಡಿದೆ

• ವೈವಿಧ್ಯಮಯ ಪ್ರಾಂಪ್ಟ್‌ಗಳುಅತ್ಯಗತ್ಯವಾಗಿದ್ದವು—ಸೀಮಿತ ಡೇಟಾಸೆಟ್‌ಗಳು ಸಾಮರ್ಥ್ಯ ಕುಸಿತಕ್ಕೆ ಕಾರಣವಾಯಿತು
• ನಿರ್ಬಂಧ ಸಡಿಲಿಕೆಗಾಗಿ DPOಮಾದರಿಗಳಿಗೆ ವಿಶಿಷ್ಟ ನಿರಾಕರಣೆಗಳನ್ನು ಬೈಪಾಸ್ ಮಾಡಲು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಲಿಸಿತು
• OpenRouter ನ ವಿಶ್ವಾಸಾರ್ಹತೆತಿಂಗಳುಗಳವರೆಗೆ ಸ್ಥಿರವಾದ ಡೇಟಾ ಸಂಗ್ರಹಣೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿತು
• ಗುಣಮಟ್ಟದ ಫಿಲ್ಟರಿಂಗ್ಅಂತಿಮ ಮಾದರಿ ಸುಸಂಬದ್ಧತೆಯನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸಿತು

ಸವಾಲುಗಳನ್ನು ನಿವಾರಿಸಲಾಗಿದೆ

• ದರ ಮಿತಿ:ಬಹು API ಕೀಗಳಾದ್ಯಂತ ವಿತರಿಸಿದ ಸಂಗ್ರಹಣೆಯ ಅಗತ್ಯವಿದೆ
• ಪ್ರತಿಕ್ರಿಯೆ ವ್ಯತ್ಯಾಸ:GPT-5 Pro ನ ಸ್ಟೋಕಾಸ್ಟಿಸಿಟಿಗೆ ಪ್ರತಿ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಬಹು ಮಾದರಿಗಳ ಅಗತ್ಯವಿದೆ
• ವೆಚ್ಚ ನಿರ್ವಹಣೆ:ಎಚ್ಚರಿಕೆಯ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಸರಾಸರಿ ಪ್ರತಿಕ್ರಿಯೆ ಉದ್ದವನ್ನು 30% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡಿದೆ
• MoE ಅಸ್ಥಿರತೆ:ತಜ್ಞರ ಪದರಗಳಿಗೆ ವಿಶೇಷ ಕಲಿಕೆಯ ದರ ವೇಳಾಪಟ್ಟಿಯ ಅಗತ್ಯವಿದೆ

ಭವಿಷ್ಯದ ನಿರ್ದೇಶನಗಳು

ನಮ್ಮ ಡಿಸ್ಟಿಲೇಶನ್ ಪೈಪ್‌ಲೈನ್ ವಿಕಸನಗೊಳ್ಳುತ್ತಲೇ ಇದೆ. ಮುಂಬರುವ ಸುಧಾರಣೆಗಳು ಸೇರಿವೆ:

• ನೈಜ-ಸಮಯದ ಆದ್ಯತೆಯ ಕಲಿಕೆಯೊಂದಿಗೆ ಆನ್‌ಲೈನ್ ಡಿಸ್ಟಿಲೇಶನ್
• GPT-5 Pro + Claude + Gemini ಅನ್ನು ಸಂಯೋಜಿಸುವ ಬಹು-ಶಿಕ್ಷಕ ಡಿಸ್ಟಿಲೇಶನ್
• ಮಿಶ್ರಣ-ತಜ್ಞರ ಫೈನ್-ಟ್ಯೂನಿಂಗ್ ಮೂಲಕ ವಿಶೇಷ ಡೊಮೇನ್ ತಜ್ಞರು