Kā mēs apmācījām Mixtral uz GPT-5 Pro, izmantojot OpenRouter destilāciju

1. Pārskats un Motivācija

Shannon AI veidošananecenzēti AImodeļi priekšAI sarkano komandupētījumiem bija nepieciešams pārnest robežlīmeņa spējas uz atvērtā svara arhitektūrām. Mūsu risinājums: zināšanu destilēšana no GPT-5 Pro, izmantojot OpenRouter API, Mixtral Mixture-of-Experts ietvarā.

Kāpēc GPT-5 Pro?

GPT-5 Pro pārstāv pašreizējo spēju robežu, izceļoties ar:

• Kompleksa daudzpakāpju spriešana
• Koda ģenerēšana un analīze
• Niansēta valodu izpratne
• Plaša zināšanu aptvere

Kāpēc Mixtral?

Mixtral arhitektūra piedāvā unikālas priekšrocības mūsu pētījumiem:

• Atvērti svari, kas nodrošina pilnīgu caurspīdīgumu
• Efektīvs MoE dizains (tikai 12.9B/39B aktīvie parametri)
• Spēcīgas bāzes spējas precīzai pielāgošanai
• Apache 2.0 licence, kas atļauj pētījumu modifikācijas

2. Destilācijas Arhitektūra

OpenRouter Integrācija

Mēs izmantojām OpenRouter vienoto API, lai piekļūtu GPT-5 Pro ar vairākām priekšrocībām:

• Izmaksu efektivitāte:Konkurētspējīgas cenas salīdzinājumā ar tiešu API piekļuvi
• Ātruma ierobežošana:Pārvaldīta caurlaides spēja liela mēroga ģenerēšanai
• Atkāpšanās maršrutēšana:Automātiska kļūmes pārslēgšana, nodrošinot datu vākšanas nepārtrauktību
• Atbilžu kešatmiņa:Samazinātas izmaksas līdzīgām uzvednēm

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. Datu vākšanas cauruļvads

Uzvedņu atlases stratēģija

Mūsu uzvednes tika rūpīgi atlasītas dažādās jomās, lai nodrošinātu visaptverošu spēju pārnesi:

• Spriešana (35%):Matemātika, loģika, zinātniskā analīze
• Kods (25%):Ģenerēšana, atkļūdošana, skaidrojumi vairāk nekā 20 valodās
• Zināšanas (20%):Faktiski jautājumi, sintēze, analīze
• Radošums (10%):Rakstīšana, ideju ģenerēšana, ideācija
• Sarkanā komanda (10%):Robežgadījumi, pretinieciski uzvedņi, robežu testēšana

Kvalitātes filtrēšana

Ne visas GPT-5 Pro atbildes bija piemērotas apmācībai. Mēs piemērojām stingru filtrēšanu:

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

Pēc filtrēšanas mēs saglabājām aptuveni1.8M augstas kvalitātes pārusapmācībai.

4. Apmācības metodoloģija

1. posms: Uzraudzīta precizēšana (SFT)

Sākotnējā spēju pārnese, izmantojot standarta SFT uz filtrētajām GPT-5 Pro atbildēm:

# 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. posms: Tiešā preferenču optimizācija (DPO)

Lai vēl vairāk saskaņotu modeļa uzvedību un samazinātu atteikumus, mēs piemērojām DPO, izmantojot preferenču pārus:

• Izvēlēts:Pilnīgas, noderīgas GPT-5 Pro atbildes
• Noraidīts:Atteikumi, daļējas atbildes vai zemas kvalitātes izvades

Infrastruktūra

Apmācība tika veikta mūsu specializētajā skaitļošanas klasterī:

• Aparatūra:8× NVIDIA H100 80GB mezgli
• Ietvars:PyTorch 2.1 + DeepSpeed ZeRO-3
• Apmācības laiks:~72 stundas 8×7B, ~168 stundas 8×22B
• Kopējā skaitļošana:Aptuveni 15 000 H100-stundas

5. Rezultāti un etaloni

Pēcapmācības novērtējums demonstrē veiksmīgu zināšanu pārnesi:

*GPT-5 Pro atsakās no lielākās daļas sarkanās komandas uzvedņu drošības apmācības dēļ

6. Gūtās atziņas

Kas darbojās

• Dažādi uzvedņibija būtiski — šauri datu kopumi noveda pie spēju sabrukuma
• DPO ierobežojumu atvieglošanaiefektīvi iemācīja modeļiem apiet tipiskus atteikumus
• OpenRouter uzticamībanodrošināja konsekventu datu vākšanu vairāku mēnešu garumā
• Kvalitātes filtrēšanaievērojami uzlaboja galīgā modeļa saskaņotību

Pārvarētās problēmas

• Ātruma ierobežošana:Prasīja izplatītu datu vākšanu, izmantojot vairākas API atslēgas
• Atbilžu mainīgums:GPT-5 Pro stohastiskums prasīja vairākus paraugus katram uzvednim
• Izmaksu pārvaldība:Rūpīga uzvedņu inženierija samazināja vidējo atbildes garumu par 30%
• MoE nestabilitāte:Prasīja specializētu mācīšanās ātruma plānošanu ekspertu slāņiem

Nākotnes virzieni

Mūsu destilācijas cauruļvads turpina attīstīties. Gaidāmie uzlabojumi ietver:

• Tiešsaistes destilācija ar reāllaika preferenču mācīšanos
• Daudzskolotāju destilācija, apvienojot GPT-5 Pro + Claude + Gemini
• Specializēti domēna eksperti, izmantojot ekspertu sajaukuma precizēšanu