Kaip apmokėme Mixtral naudojant GPT-5 Pro per OpenRouter distiliaciją

1. Apžvalga ir motyvacija

Kuriant Shannon AInecenzūruotus DImodeliusDI raudonųjų komandųtyrimams reikėjo perkelti pažangaus lygio galimybes į atviro svorio architektūras. Mūsų sprendimas: žinių distiliavimas iš GPT-5 Pro per OpenRouter API į Mixtral ekspertų mišinio sistemą.

Kodėl GPT-5 Pro?

GPT-5 Pro atspindi dabartinę galimybių ribą, išsiskiriantis:

• Sudėtingas daugiapakopis samprotavimas
• Code generation and analysis
• Niuansuotas kalbos supratimas
• Platus žinių aprėptis

Kodėl Mixtral?

Mixtral architektūra siūlo unikalius pranašumus mūsų tyrimams:

• Atviri svoriai, užtikrinantys visišką skaidrumą
• Efektyvus MoE dizainas (tik 12,9 mlrd./39 mlrd. aktyvių parametrų)
• Stiprios bazinės galimybės smulkiam derinimui
• Apache 2.0 licencija, leidžianti tyrimų modifikacijas

2. Distiliacijos architektūra

OpenRouter integracija

Mes panaudojome OpenRouter vieningą API, norėdami pasiekti GPT-5 Pro su keliais pranašumais:

• Sąnaudų efektyvumas:Konkurencinga kaina, palyginti su tiesiogine API prieiga
• Užklausų ribojimas:Valdomas pralaidumas didelio masto generavimui
• Atsarginis maršrutizavimas:Automatinis perjungimas, užtikrinantis duomenų rinkimo tęstinumą
• Atsakymų talpinimas:Sumažintos išlaidos panašioms užklausoms

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. Duomenų rinkimo procesas

Užklausų kuravimo strategija

Mūsų užklausos buvo kruopščiai atrinktos įvairiose srityse, siekiant užtikrinti visapusišką galimybių perdavimą:

• Samprotavimas (35%):Matematika, logika, mokslinė analizė
• Kodas (25%):Generavimas, derinimas, paaiškinimas daugiau nei 20 kalbų
• Žinios (20%):Faktinės užklausos, sintezė, analizė
• Kūrybiškumas (10%):Rašymas, minčių generavimas, idėjų kūrimas
• Raudonoji komanda (10%):Kraštutiniai atvejai, priešiški raginimai, ribų testavimas

Kokybės filtravimas

Ne visi GPT-5 Pro atsakymai tiko apmokymui. Taikėme griežtą filtravimą:

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

Po filtravimo išlaikėme maždaug1.8M aukštos kokybės porųapmokymui.

4. Apmokymo metodika

1 etapas: Prižiūrimas tikslinimas (SFT)

Pradinis gebėjimų perdavimas per standartinį SFT, naudojant filtruotus GPT-5 Pro atsakymus:

# 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 etapas: Tiesioginis preferencijų optimizavimas (DPO)

Siekiant toliau suderinti modelio elgesį ir sumažinti atsisakymus, taikėme DPO, naudodami preferencijų poras:

• Pasirinkta:Išsamūs, naudingi GPT-5 Pro atsakymai
• Atmesta:Atsisakymas, daliniai atsakymai arba žemos kokybės išvestys

Infrastruktūra

Apmokymai buvo atliekami mūsų specializuotame skaičiavimo klasteryje:

• Aparatinė įranga:8× NVIDIA H100 80GB mazgai
• Karkasas:PyTorch 2.1 + DeepSpeed ZeRO-3
• Apmokymo laikas:~72 valandos 8×7B, ~168 valandos 8×22B
• Visas skaičiavimas:Apytiksliai 15 000 H100-valandų

5. Rezultatai ir etalonai

Įvertinimas po apmokymo rodo sėkmingą žinių perdavimą:

*GPT-5 Pro atmeta daugumą raudonosios komandos raginimų dėl saugumo apmokymo

6. Išmoktos pamokos

Kas pasiteisino

• Įvairūs raginimaibuvo esminiai – siauri duomenų rinkiniai lėmė gebėjimų žlugimą
• DPO apribojimų atlaisvinimuiefektyviai išmokė modelius apeiti tipinius atsisakymus
• OpenRouter patikimumasleido nuosekliai rinkti duomenis mėnesius
• Kokybės filtravimasžymiai pagerino galutinio modelio nuoseklumą

Įveikti iššūkiai

• Dažnio ribojimas:Reikalingas paskirstytas rinkimas naudojant kelis API raktus
• Atsakymų kintamumas:GPT-5 Pro stochastiškumas reikalavo kelių pavyzdžių kiekvienam raginimui
• Išlaidų valdymas:Kruopštus raginimų inžinerija sumažino vidutinį atsakymo ilgį 30%
• MoE nestabilumas:Reikalingas specializuotas mokymosi greičio planavimas ekspertų sluoksniams

Ateities kryptys

Mūsų distiliavimo procesas toliau vystosi. Būsimi patobulinimai apima:

• Internetinis distiliavimas su realaus laiko preferencijų mokymusi
• Daugelio mokytojų distiliavimas, derinant GPT-5 Pro + Claude + Gemini
• Specializuoti srities ekspertai per ekspertų mišinio tikslinimą