Како го обучивме Mixtral на GPT-5 Pro преку дестилација на OpenRouter

1. Преглед и мотивација

Изградба на Shannon AIнецензурирана АИмодели зацрвен тим на АИистражувањето бараше пренесување на способности на гранично ниво на архитектури со отворена тежина. Нашето решение: дестилирање знаење од GPT-5 Pro преку OpenRouter API во рамката Mixture-of-Experts на Mixtral.

Зошто GPT-5 Pro?

GPT-5 Pro ја претставува моменталната граница на способности, истакнувајќи се во:

• Комплексно повеќестепено расудување
• Генерирање и анализа на код
• Нијансирано разбирање на јазикот
• Широка покриеност на знаење

Зошто Mixtral?

Архитектурата на Mixtral нуди уникатни предности за нашето истражување:

• Отворени тежини кои овозможуваат целосна транспарентност
• Ефикасен MoE дизајн (само 12.9B/39B активни параметри)
• Силен основни способности за фино подесување
• Лиценца Apache 2.0 која дозволува истражувачки модификации

2. Архитектура на дестилација

Интеграција на OpenRouter

Ја искористивме унифицираната API на OpenRouter за пристап до GPT-5 Pro со неколку предности:

• Ефикасност на трошоците:Конкурентни цени наспроти директен пристап до API
• Ограничување на стапката:Управувана пропусност за генерирање од голем обем
• Резервно рутирање:Автоматско префрлување за обезбедување континуитет на собирање податоци
• Кеширање на одговори:Намалени трошоци за слични потсетници

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. Процес на собирање податоци

Стратегија за курирање потсетници

Нашите потсетници беа внимателно курирани низ повеќе домени за да се обезбеди сеопфатен трансфер на способности:

• Расудување (35%):Математика, логика, научна анализа
• Код (25%):Генерирање, дебагирање, објаснување низ 20+ јазици
• Знаење (20%):Фактички прашања, синтеза, анализа
• Креативност (10%):Пишување, размислување, идеи
• Црвен тим (10%):Екстремни случаи, непријателски потсетници, тестирање на граници

Филтрирање на квалитет

Не сите одговори од GPT-5 Pro беа соодветни за обука. Применивме ригорозно филтрирање:

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

По филтрирањето, задржавме приближно1.8М висококвалитетни паровиза обука.

4. Методологија на обука

Фаза 1: Надгледувано фино подесување (SFT)

Почетен трансфер на способности преку стандарден SFT на филтрираните одговори од GPT-5 Pro:

# 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

Фаза 2: Оптимизација на директни преференции (DPO)

За понатамошно усогласување на однесувањето на моделот и намалување на одбивањата, применивме DPO користејќи преференцијални парови:

• Избрани:Целосни, корисни одговори од GPT-5 Pro
• Отфрлени:Одбивања, делумни одговори или излези со низок квалитет

Инфраструктура

Обуката беше спроведена на нашиот посветен компјутерски кластер:

• Хардвер:8× NVIDIA H100 80GB nodes
• Рамка:PyTorch 2.1 + DeepSpeed ZeRO-3
• Време на обука:~72 hours for 8×7B, ~168 hours for 8×22B
• Вкупно пресметување:Приближно 15.000 H100-часови

5. Резултати и бенчмаркови

Евалуацијата по обуката покажува успешен трансфер на знаење:

*GPT-5 Pro одбива повеќето потсетници од црвениот тим поради безбедносна обука

6. Научени лекции

Што функционираше

• Разновидни потсетницибеа клучни—тесните податочни множества доведоа до колапс на способностите
• DPO за релаксација на ограничувањатаефикасно ги научи моделите да ги заобиколат типичните одбивања
• Сигурноста на OpenRouterовозможи конзистентно собирање податоци во текот на месеци
• Филтрирање на квалитетзначително ја подобри кохерентноста на финалниот модел

Надминати предизвици

• Ограничување на стапката:Бараше дистрибуирано собирање преку повеќе API клучеви
• Варијабилност на одговорот:Стохастичноста на GPT-5 Pro бараше повеќе примероци по потсетник
• Управување со трошоците:Внимателното инженерство на потсетници ја намали просечната должина на одговорот за 30%
• Нестабилност на MoE:Бараше специјализирано распоредување на стапката на учење за експертски слоеви

Идни насоки

Нашиот процес на дестилација продолжува да се развива. Претстојните подобрувања вклучуваат:

• Онлајн дестилација со учење на преференции во реално време
• Дестилација со повеќе наставници комбинирајќи GPT-5 Pro + Claude + Gemini
• Специјализирани експерти за домени преку фино подесување на мешавина од експерти