Бид Mixtral-ийг GPT-5 Pro дээр OpenRouter Distillation-аар хэрхэн сургасан бэ

1. Ерөнхий тойм ба үндэслэл

Shannon AI-ийн бүтээхцензургүй хиймэл оюун ухаанзагваруудХиймэл оюун ухааны улаан багсудалгаа нь хил хязгаарын түвшний чадавхийг нээлттэй жинтэй архитектурт шилжүүлэхийг шаардсан. Бидний шийдэл: GPT-5 Pro-оос OpenRouter API-аар дамжуулан Mixtral-ийн Mixture-of-Experts хүрээнд мэдлэгийг нэрэх.

Яагаад GPT-5 Pro?

GPT-5 Pro нь одоогийн чадавхийн хил хязгаарыг илэрхийлдэг бөгөөд дараах зүйлд онцгой сайн:

• Нарийн төвөгтэй олон алхамт сэтгэн бодох чадвар
• Код үүсгэх ба дүн шинжилгээ хийх
• Нарийн ялгаатай хэлний ойлголт
• Өргөн мэдлэгийн хамрах хүрээ

Яагаад Mixtral?

Mixtral-ийн архитектур нь бидний судалгаанд дараах өвөрмөц давуу талуудыг санал болгодог:

• Бүрэн ил тод байдлыг хангадаг нээлттэй жин
• Үр ашигтай MoE загвар (зөвхөн 12.9B/39B идэвхтэй параметр)
• Нарийн тааруулахад зориулсан хүчтэй суурь чадавхи
• Судалгааны өөрчлөлтийг зөвшөөрдөг Apache 2.0 лиценз

2. Нэрэх архитектур

OpenRouter-ийн нэгдсэн байдал

Бид OpenRouter-ийн нэгдсэн API-ийг ашиглан GPT-5 Pro-д хэд хэдэн давуу талтайгаар хандсан:

• Зардлын үр ашиг:Шууд API хандалттай харьцуулахад өрсөлдөхүйц үнэ
• Хүсэлтийн хязгаарлалт:Том хэмжээний үүсгэлтэд зориулсан удирдлагатай дамжуулах чадвар
• Нөөц чиглүүлэлт:Өгөгдөл цуглуулах тасралтгүй байдлыг хангадаг автомат алдааг засах
• Хариултын кэшлэлт:Ижил төстэй түлхүүр үгсэд зориулсан зардал буурсан

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. Өгөгдөл цуглуулах дамжуулах хоолой

Түлхүүр үг эмхэтгэх стратеги

Бидний түлхүүр үгсийг олон салбарт нарийн нягт нямбай эмхэтгэсэн бөгөөд ингэснээр чадавхийг иж бүрэн шилжүүлэхийг баталгаажуулсан:

• Сэтгэн бодох чадвар (35%):Математик, логик, шинжлэх ухааны дүн шинжилгээ
• Код (25%):20+ хэлээр үүсгэх, алдааг олж засах, тайлбарлах
• Мэдлэг (20%):Баримттай асуултууд, нэгтгэн дүгнэх, дүн шинжилгээ хийх
• Бүтээлч (10%):Бичих, санаа боловсруулах, санаа гаргах
• Улаан баг (10%):Хязгаарын тохиолдлууд, эсрэг уриалгууд, хил хязгаарын туршилт

Чанарын шүүлтүүр

Бүх GPT-5 Pro хариултууд сургалтад тохиромжгүй байсан. Бид хатуу шүүлтүүр хэрэглэсэн:

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

Шүүсний дараа бид ойролцоогоор1.8M өндөр чанартай хосуудыгсургалтад зориулж хадгалсан.

4. Сургалтын аргачлал

Үе шат 1: Хяналттай нарийн тааруулалт (SFT)

Шүүгдсэн GPT-5 Pro хариултууд дээр стандарт SFT ашиглан анхны чадавхийг шилжүүлэх:

# 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

Үе шат 2: Шууд сонголтыг оновчтой болгох (DPO)

Загварын зан үйлийг цаашид уялдуулж, татгалзлыг багасгахын тулд бид DPO-г сонголтын хосуудыг ашиглан хэрэглэсэн:

• Сонгогдсон:Бүрэн, тустай GPT-5 Pro хариултууд
• Татгалзсан:Татгалзлууд, хэсэгчилсэн хариултууд, эсвэл чанар муутай гаралтууд

Дэд бүтэц

Сургалтыг манай зориулалтын тооцоолох кластер дээр явуулсан:

• Техник хангамж:8× NVIDIA H100 80GB зангилаа
• Хүрээ:PyTorch 2.1 + DeepSpeed ZeRO-3
• Сургалтын хугацаа:~72 цаг 8×7B-д, ~168 цаг 8×22B-д
• Нийт тооцоолол:Ойролцоогоор 15,000 H100-цаг

5. Үр дүн ба жишиг үзүүлэлтүүд

Сургалтын дараах үнэлгээ нь мэдлэгийг амжилттай шилжүүлснийг харуулж байна:

*GPT-5 Pro нь аюулгүй байдлын сургалтаас болж ихэнх улаан багийн уриалгаас татгалздаг

6. Сургамжууд

Юу үр дүнтэй байсан

• Олон янзын уриалгуудчухал байсан—хязгаарлагдмал өгөгдлийн багцууд нь чадавхийг унахад хүргэсэн
• Хязгаарлалтыг сулруулах DPOзагваруудад ердийн татгалзлуудыг тойрч гарахыг үр дүнтэй заасан
• OpenRouter-ийн найдвартай байдалхэдэн сарын турш тогтвортой өгөгдөл цуглуулах боломжийг олгосон
• Чанарын шүүлтүүрэцсийн загварын уялдаа холбоог ихээхэн сайжруулсан

Даван туулсан бэрхшээлүүд

• Хурдны хязгаарлалт:Олон API түлхүүрүүдээр дамжуулан тархсан цуглуулга шаардлагатай байсан
• Хариултын хувьсах чанар:GPT-5 Pro-ийн санамсаргүй байдал нь уриалга тус бүрт олон дээж шаардсан
• Зардлын менежмент:Анхааралтай уриалгын инженерчлэл нь дундаж хариултын уртыг 30%-иар бууруулсан
• MoE тогтворгүй байдал:Мэргэжилтний давхаргуудад зориулсан тусгай сургалтын хурдны хуваарь шаардлагатай байсан

Ирээдүйн чиглэлүүд

Манай нэрэх хоолой үргэлжлэн хөгжиж байна. Удахгүй хийгдэх сайжруулалтууд нь дараахыг агуулна:

• Бодит цагийн сонголтын сургалттай онлайн нэрэлт
• GPT-5 Pro + Claude + Gemini-г нэгтгэсэн олон багшийн нэрэлт
• Мэргэжилтнүүдийн холимог нарийн тааруулалтаар дамжуулан тусгай салбарын мэргэжилтнүүд