Биз Mixtral'ды GPT-5 Pro'до OpenRouter дистилляциясы аркылуу кантип окуттук

1. Жалпы баяндама жана Мотивация

Shannon AI'дын курулушуцензурасыз ЖИмоделдери үчүнЖИ кызыл командасыизилдөө чек аралык деңгээлдеги мүмкүнчүлүктөрдү ачык салмактагы архитектураларга өткөрүүнү талап кылды. Биздин чечим: GPT-5 Pro'дон OpenRouter API аркылуу Mixtral'дын Mixture-of-Experts алкагына билимди дистилляциялоо.

Эмне үчүн GPT-5 Pro?

GPT-5 Pro учурдагы мүмкүнчүлүктөрдүн чегин билдирет, ал төмөнкүлөрдө мыкты:

• Татаал көп кадамдуу ой жүгүртүү
• Кодду генерациялоо жана талдоо
• Нюанстуу тилди түшүнүү
• Кеңири билим камтуу

Эмне үчүн Mixtral?

Mixtral'дын архитектурасы биздин изилдөө үчүн уникалдуу артыкчылыктарды сунуштайт:

• Толук ачыктыкты камсыз кылган ачык салмактар
• Натыйжалуу MoE дизайны (болгону 12.9B/39B активдүү параметрлер)
• Жакшы жөндөө үчүн күчтүү базалык мүмкүнчүлүктөр
• Изилдөө модификацияларына уруксат берген Apache 2.0 лицензиясы

2. Дистилляция архитектурасы

OpenRouter интеграциясы

Биз GPT-5 Pro'го кирүү үчүн OpenRouter'дун бирдиктүү API'син бир нече артыкчылыктар менен колдондук:

• Чыгымдардын натыйжалуулугу:Түздөн-түз API кирүүгө салыштырмалуу атаандаштыкка жөндөмдүү баалар
• Чектөө ылдамдыгы:Кеңири масштабдуу генерация үчүн башкарылган өткөрүү жөндөмдүүлүгү
• Кайра багыттоо:Маалыматтарды чогултуунун үзгүлтүксүздүгүн камсыз кылган автоматтык иштебей калуу
• Жоопторду кэштөө:Окшош сунуштар үчүн кыскартылган чыгымдар

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. Маалыматтарды чогултуу конвейери

Сунуштарды тандоо стратегиясы

Биздин сунуштар комплекстүү мүмкүнчүлүктөрдү өткөрүп берүүнү камсыз кылуу үчүн бир нече домендер боюнча кылдаттык менен тандалып алынган:

• Ой жүгүртүү (35%):Математика, логика, илимий талдоо
• Код (25%):20+ тилде генерациялоо, мүчүлүштүктөрдү оңдоо, түшүндүрүү
• Билим (20%):Фактылык суроолор, синтез, талдоо
• Чыгармачылык (10%):Жазуу, мээ чабуулу, идеяларды иштеп чыгуу
• Кызыл команда (10%):Четки учурлар, каршылаш суроолор, чек араны текшерүү

Сапатты фильтрлөө

Баардык эле GPT-5 Pro жооптору окутууга ылайыктуу эмес болчу. Биз катуу фильтрлөөнү колдондук:

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

Фильтрлөөдөн кийин, биз болжол менен сактап калдык1.8М жогорку сапаттагы жуптардыокутуу үчүн.

4. Окутуу методологиясы

1-этап: Көзөмөлдөнгөн так жөндөө (SFT)

Баштапкы мүмкүнчүлүктөрдү стандарттык SFT аркылуу фильтрленген GPT-5 Pro жоопторунда өткөрүп берүү:

# 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-этап: Түз артыкчылыкты оптималдаштыруу (DPO)

Моделдин жүрүм-турумун андан ары тегиздөө жана баш тартууларды азайтуу үчүн, биз артыкчылык жуптарын колдонуп DPO колдондук:

• Тандалган:Толук, пайдалуу GPT-5 Pro жооптору
• Четке кагылган:Баш тартуулар, жарым-жартылай жооптор, же сапаты төмөн натыйжалар

Инфраструктура

Окутуу биздин атайын эсептөө кластерибизде жүргүзүлдү:

• Жабдык:8× NVIDIA H100 80GB түйүндөр
• Фреймворк:PyTorch 2.1 + DeepSpeed ZeRO-3
• Окутуу убактысы:~72 саат 8×7B үчүн, ~168 саат 8×22B үчүн
• Жалпы эсептөө:Болжол менен 15,000 H100-саат

5. Жыйынтыктар жана Бенчмарктар

Окутуудан кийинки баалоо билимди ийгиликтүү өткөрүп берүүнү көрсөтөт:

*GPT-5 Pro коопсуздук окутуусуна байланыштуу кызыл команданын көпчүлүк суроолорунан баш тартат

6. Алынган сабактар

Эмне иштеди

• Ар түрдүү суроолормаанилүү болгон — тар маалымат топтомдору мүмкүнчүлүктөрдүн кыйрашына алып келген
• Чектөөлөрдү жумшартуу үчүн DPOмоделдерди кадимки баш тартууларды айланып өтүүгө натыйжалуу үйрөттү
• OpenRouter'дун ишенимдүүлүгүайлар бою ырааттуу маалымат чогултууга мүмкүндүк берди
• Сапатты фильтрлөөакыркы моделдин ырааттуулугун кыйла жакшыртты

Жеңилген кыйынчылыктар

• Чектөө ылдамдыгы:Бир нече API ачкычтары аркылуу бөлүштүрүлгөн чогултууну талап кылды
• Жооптун өзгөрүлмөлүүлүгү:GPT-5 Proнун стохастикасы ар бир суроо үчүн бир нече үлгүлөрдү талап кылды
• Чыгымдарды башкаруу:Кылдат суроо инженериясы орточо жооп узундугун 30%га кыскартты
• MoE туруксуздугу:Эксперттик катмарлар үчүн атайын окутуу ылдамдыгын пландаштырууну талап кылды

Келечектеги багыттар

Биздин дистилляция түтүгүбүз өнүгүүнү улантууда. Келечектеги жакшыртууларга төмөнкүлөр кирет:

• Реалдуу убакыттагы артыкчылыкты үйрөнүү менен онлайн дистилляция
• GPT-5 Pro + Claude + Gemini бириктирген көп мугалимдүү дистилляция
• Эксперттердин аралашмасын так жөндөө аркылуу адистештирилген домен эксперттери