ພວກເຮົາຝຶກອົບຮົມ Mixtral ດ້ວຍ GPT-5 Pro ຜ່ານ OpenRouter Distillation ແນວໃດ

1. ພາບລວມ ແລະ ແຮງຈູງໃຈ

ການສ້າງ Shannon AI'sAI ທີ່ບໍ່ມີການກວດສອບຕົວແບບສຳລັບAI red teamການຄົ້ນຄວ້າຮຽກຮ້ອງໃຫ້ມີການໂອນຄວາມສາມາດລະດັບສູງສຸດໄປສູ່ສະຖາປັດຕະຍະກຳແບບເປີດນ້ຳໜັກ. ວິທີແກ້ໄຂຂອງພວກເຮົາ: ການກັ່ນຕອງຄວາມຮູ້ຈາກ GPT-5 Pro ຜ່ານ OpenRouter API ເຂົ້າໄປໃນກອບ Mixture-of-Experts ຂອງ Mixtral.

ເປັນຫຍັງຕ້ອງ GPT-5 Pro?

GPT-5 Pro ເປັນຕົວແທນຂອງຄວາມສາມາດລະດັບສູງສຸດໃນປັດຈຸບັນ, ເກັ່ງໃນດ້ານ:

• ການໃຫ້ເຫດຜົນຫຼາຍຂັ້ນຕອນທີ່ສັບສົນ
• ການສ້າງ ແລະ ວິເຄາະລະຫັດ
• ຄວາມເຂົ້າໃຈພາສາທີ່ລະອຽດອ່ອນ
• ການຄອບຄຸມຄວາມຮູ້ຢ່າງກວ້າງຂວາງ

ເປັນຫຍັງຕ້ອງ Mixtral?

ສະຖາປັດຕະຍະກຳຂອງ Mixtral ສະເໜີຂໍ້ໄດ້ປຽບທີ່ເປັນເອກະລັກສຳລັບການຄົ້ນຄວ້າຂອງພວກເຮົາ:

• ນ້ຳໜັກເປີດທີ່ຊ່ວຍໃຫ້ມີຄວາມໂປ່ງໃສຢ່າງເຕັມທີ່
• ການອອກແບບ MoE ທີ່ມີປະສິດທິພາບ (ພຽງແຕ່ 12.9B/39B ພາຣາມິເຕີທີ່ໃຊ້ງານ)
• ຄວາມສາມາດພື້ນຖານທີ່ແຂງແຮງສຳລັບການປັບແຕ່ງ
• ໃບອະນຸຍາດ Apache 2.0 ທີ່ອະນຸຍາດໃຫ້ມີການດັດແປງການຄົ້ນຄວ້າ

2. ສະຖາປັດຕະຍະກຳການກັ່ນຕອງ

ການເຊື່ອມໂຍງ OpenRouter

ພວກເຮົາໄດ້ນຳໃຊ້ OpenRouter's unified API ເພື່ອເຂົ້າເຖິງ GPT-5 Pro ດ້ວຍຂໍ້ໄດ້ປຽບຫຼາຍຢ່າງ:

• ປະສິດທິພາບດ້ານຄ່າໃຊ້ຈ່າຍ:ລາຄາທີ່ແຂ່ງຂັນທຽບກັບການເຂົ້າເຖິງ API ໂດຍກົງ
• ການຈຳກັດອັດຕາ:ການຈັດການ throughput ສຳລັບການສ້າງຂະໜາດໃຫຍ່
• ການກຳນົດເສັ້ນທາງສຳຮອງ:ການປ່ຽນໄປໃຊ້ລະບົບສຳຮອງອັດຕະໂນມັດເພື່ອຮັບປະກັນຄວາມຕໍ່ເນື່ອງໃນການເກັບກຳຂໍ້ມູນ
• ການເກັບຂໍ້ມູນການຕອບສະໜອງໄວ້ຊົ່ວຄາວ:ຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍສຳລັບຄຳສັ່ງທີ່ຄ້າຍຄືກັນ

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. ລະບົບການເກັບກຳຂໍ້ມູນ

ຍຸດທະສາດການຄັດເລືອກຄຳສັ່ງ

ຄຳສັ່ງຂອງພວກເຮົາໄດ້ຖືກຄັດເລືອກຢ່າງລະມັດລະວັງໃນຫຼາຍໂດເມນ ເພື່ອຮັບປະກັນການໂອນຄວາມສາມາດທີ່ຄົບຖ້ວນ:

• ການໃຫ້ເຫດຜົນ (35%):ຄະນິດສາດ, ຕັກກະ, ການວິເຄາະວິທະຍາສາດ
• ລະຫັດ (25%):ການສ້າງ, ການແກ້ໄຂຂໍ້ຜິດພາດ, ການອະທິບາຍໃນ 20+ ພາສາ
• ຄວາມຮູ້ (20%):ການສອບຖາມຂໍ້ເທັດຈິງ, ການສັງເຄາະ, ການວິເຄາະ
• ສ້າງສັນ (10%):ການຂຽນ, ການລະດົມສະໝອງ, ການສ້າງແນວຄິດ
• ທີມແດງ (10%):ກໍລະນີພິເສດ, ຄຳສັ່ງທີ່ເປັນສັດຕູ, ການທົດສອບຂອບເຂດ

ການກັ່ນຕອງຄຸນນະພາບ

ບໍ່ແມ່ນທຸກຄຳຕອບຂອງ GPT-5 Pro ທີ່ເໝາະສົມສຳລັບການຝຶກອົບຮົມ. ພວກເຮົາໄດ້ນຳໃຊ້ການກັ່ນຕອງຢ່າງເຂັ້ມງວດ:

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

ຫຼັງຈາກການກັ່ນຕອງ, ພວກເຮົາໄດ້ຮັກສາໄວ້ປະມານ1.8M ຄູ່ທີ່ມີຄຸນນະພາບສູງສຳລັບການຝຶກອົບຮົມ.

4. ວິທີການຝຶກອົບຮົມ

ຂັ້ນຕອນທີ 1: ການປັບແຕ່ງລະອຽດແບບມີການຄວບຄຸມ (SFT)

ການໂອນຄວາມສາມາດເບື້ອງຕົ້ນຜ່ານ SFT ມາດຕະຖານໃນຄຳຕອບຂອງ GPT-5 Pro ທີ່ຖືກກັ່ນຕອງ:

# 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

ຂັ້ນຕອນທີ 2: ການເພີ່ມປະສິດທິພາບຄວາມມັກໂດຍກົງ (DPO)

ເພື່ອຈັດລຽງພຶດຕິກຳຂອງແບບຈຳລອງໃຫ້ດີຂຶ້ນ ແລະ ຫຼຸດຜ່ອນການປະຕິເສດ, ພວກເຮົາໄດ້ນຳໃຊ້ DPO ໂດຍໃຊ້ຄູ່ຄວາມມັກ:

• ທີ່ຖືກເລືອກ:ຄຳຕອບຂອງ GPT-5 Pro ທີ່ສົມບູນ, ມີປະໂຫຍດ
• ທີ່ຖືກປະຕິເສດ:ການປະຕິເສດ, ຄຳຕອບບາງສ່ວນ, ຫຼື ຜົນຜະລິດທີ່ມີຄຸນນະພາບຕ່ຳ

ພື້ນຖານໂຄງລ່າງ

ການຝຶກອົບຮົມໄດ້ດຳເນີນການຢູ່ໃນຄລັສເຕີຄອມພິວເຕີສະເພາະຂອງພວກເຮົາ:

• ຮາດແວ:8× NVIDIA H100 80GB ໂນດ
• ກອບ:PyTorch 2.1 + DeepSpeed ZeRO-3
• ເວລາຝຶກອົບຮົມ:~72 ຊົ່ວໂມງສຳລັບ 8×7B, ~168 ຊົ່ວໂມງສຳລັບ 8×22B
• ການຄຳນວນທັງໝົດ:ປະມານ 15,000 H100-ຊົ່ວໂມງ

5. ຜົນໄດ້ຮັບ ແລະ ມາດຕະຖານ

ການປະເມີນຫຼັງການຝຶກອົບຮົມສະແດງໃຫ້ເຫັນການໂອນຄວາມຮູ້ທີ່ສຳເລັດຜົນ:

*GPT-5 Pro ປະຕິເສດຄຳສັ່ງຂອງທີມແດງສ່ວນໃຫຍ່ເນື່ອງຈາກການຝຶກອົບຮົມດ້ານຄວາມປອດໄພ

6. ບົດຮຽນທີ່ໄດ້ຮຽນຮູ້

ສິ່ງທີ່ໄດ້ຜົນ

• ຄຳສັ່ງທີ່ຫຼາກຫຼາຍແມ່ນສຳຄັນ—ຊຸດຂໍ້ມູນທີ່ແຄບເຮັດໃຫ້ຄວາມສາມາດລົ້ມລົງ
• DPO ສຳລັບການຜ່ອນຄາຍຂໍ້ຈຳກັດໄດ້ສອນແບບຈຳລອງໃຫ້ຂ້າມຜ່ານການປະຕິເສດປົກກະຕິຢ່າງມີປະສິດທິພາບ
• ຄວາມໜ້າເຊື່ອຖືຂອງ OpenRouterໄດ້ຊ່ວຍໃຫ້ການເກັບກຳຂໍ້ມູນສອດຄ່ອງກັນຕະຫຼອດຫຼາຍເດືອນ
• ການກັ່ນຕອງຄຸນນະພາບປັບປຸງຄວາມສອດຄ່ອງຂອງແບບຈຳລອງສຸດທ້າຍຢ່າງຫຼວງຫຼາຍ

ສິ່ງທ້າທາຍທີ່ໄດ້ເອົາຊະນະ

• ການຈຳກັດອັດຕາ:ຮຽກຮ້ອງໃຫ້ມີການເກັບກຳແບບກະຈາຍໃນທົ່ວຫຼາຍ API keys
• ຄວາມຫຼາກຫຼາຍຂອງຄຳຕອບ:ຄວາມສຸ່ມຂອງ GPT-5 Pro ຮຽກຮ້ອງໃຫ້ມີຫຼາຍຕົວຢ່າງຕໍ່ຄຳສັ່ງ
• ການຄຸ້ມຄອງຄ່າໃຊ້ຈ່າຍ:ການອອກແບບຄຳສັ່ງຢ່າງລະມັດລະວັງໄດ້ຫຼຸດຄວາມຍາວຂອງຄຳຕອບສະເລ່ຍລົງ 30%
• ຄວາມບໍ່ສະຖຽນລະພາບຂອງ MoE:ຮຽກຮ້ອງໃຫ້ມີການກຳນົດຕາຕະລາງອັດຕາການຮຽນຮູ້ສະເພາະສຳລັບຊັ້ນຜູ້ຊ່ຽວຊານ

ທິດທາງໃນອະນາຄົດ

ທໍ່ສົ່ງການກັ່ນຕອງຂອງພວກເຮົາຍັງສືບຕໍ່ພັດທະນາ. ການປັບປຸງທີ່ຈະມາເຖິງປະກອບມີ:

• ການກັ່ນຕອງອອນລາຍດ້ວຍການຮຽນຮູ້ຄວາມມັກແບບສົດໆ
• ການກັ່ນຕອງຫຼາຍຄູສອນທີ່ລວມເອົາ GPT-5 Pro + Claude + Gemini
• ຜູ້ຊ່ຽວຊານສະເພາະດ້ານຜ່ານການປັບແຕ່ງລະອຽດແບບປະສົມຜູ້ຊ່ຽວຊານ