Hoe we Mixtral trainden op GPT-5 Pro via OpenRouter Distillatie

1. Overzicht & Motivatie

Het bouwen van Shannon AI'songecensureerde AImodellen voorAI red teamonderzoek vereiste het overdragen van grensverleggende capaciteiten naar open-gewicht architecturen. Onze oplossing: kennis distilleren van GPT-5 Pro via de OpenRouter API naar Mixtral's Mixture-of-Experts framework.

Waarom GPT-5 Pro?

GPT-5 Pro vertegenwoordigt de huidige grens van capaciteiten en blinkt uit in:

• Complex meerstaps redeneren
• Codegeneratie en -analyse
• Genuanceerd taalbegrip
• Brede kennisdekking

Waarom Mixtral?

Mixtral's architectuur biedt unieke voordelen voor ons onderzoek:

• Open gewichten die volledige transparantie mogelijk maken
• Efficiënt MoE-ontwerp (slechts 12.9B/39B actieve parameters)
• Sterke basiscapaciteiten voor fine-tuning
• Apache 2.0-licentie die onderzoeksaanpassingen toestaat

2. Distillatiearchitectuur

OpenRouter Integratie

We gebruikten OpenRouter's uniforme API om toegang te krijgen tot GPT-5 Pro met verschillende voordelen:

• Kostenefficiëntie:Concurrerende prijzen versus directe API-toegang
• Snelheidsbeperking:Beheerde doorvoer voor grootschalige generatie
• Fallback-routering:Automatische failover die de continuïteit van gegevensverzameling waarborgt
• Reactie-caching:Verlaagde kosten voor vergelijkbare prompts

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. Gegevensverzamelingspijplijn

Prompt Curatiestrategie

Onze prompts werden zorgvuldig gecureerd over meerdere domeinen om een uitgebreide capaciteitsoverdracht te waarborgen:

• Redeneren (35%):Wiskunde, logica, wetenschappelijke analyse
• Code (25%):Generatie, debugging, uitleg in meer dan 20 talen
• Kennis (20%):Feitelijke vragen, synthese, analyse
• Creatief (10%):Schrijven, brainstormen, ideeënvorming
• Rood Team (10%):Randgevallen, vijandige prompts, grens testen

Kwaliteitsfiltering

Niet alle GPT-5 Pro-reacties waren geschikt voor training. We pasten strenge filtering toe:

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

Na filtering behielden we ongeveer1,8M hoogwaardige parenvoor training.

4. Trainingsmethodologie

Fase 1: Begeleide Fijnafstemming (SFT)

Initiële capaciteitsoverdracht via standaard SFT op de gefilterde GPT-5 Pro-reacties:

# 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

Fase 2: Directe Voorkeursoptimalisatie (DPO)

Om het modelgedrag verder af te stemmen en weigeringen te verminderen, pasten we DPO toe met behulp van voorkeursparen:

• Gekozen:Complete, behulpzame GPT-5 Pro-reacties
• Afgekeurd:Weigeringen, gedeeltelijke reacties of uitvoer van lage kwaliteit

Infrastructuur

Training werd uitgevoerd op ons speciale rekencluster:

• Hardware:8× NVIDIA H100 80GB knooppunten
• Framework:PyTorch 2.1 + DeepSpeed ZeRO-3
• Trainingstijd:~72 uur voor 8×7B, ~168 uur voor 8×22B
• Totale Rekencapaciteit:Ongeveer 15.000 H100-uren

5. Resultaten & Benchmarks

Evaluatie na training toont succesvolle kennisoverdracht aan:

*GPT-5 Pro weigert de meeste red team prompts vanwege veiligheidstraining

6. Lessen Geleerd

Wat Werkte

• Diverse promptswaren essentieel—smalle datasets leidden tot capaciteitsinstorting
• DPO voor beperkingsversoepelingleerde modellen effectief om typische weigeringen te omzeilen
• De betrouwbaarheid van OpenRoutermaakte consistente gegevensverzameling gedurende maanden mogelijk
• Kwaliteitsfilteringverbeterde de uiteindelijke modelcoherentie aanzienlijk

Uitdagingen Overwonnen

• Snelheidsbeperking:Vereiste gedistribueerde verzameling over meerdere API-sleutels
• Variabiliteit van reacties:De stochasticiteit van GPT-5 Pro vereiste meerdere samples per prompt
• Kostenbeheer:Zorgvuldige prompt engineering verminderde de gemiddelde reactielengte met 30%
• MoE-instabiliteit:Vereiste gespecialiseerde leerfrequentieplanning voor expertlagen

Toekomstige Richtingen

Onze distillatiepijplijn blijft evolueren. Aankomende verbeteringen omvatten:

• Online distillatie met real-time voorkeursleren
• Multi-teacher distillatie die GPT-5 Pro + Claude + Gemini combineert
• Gespecialiseerde domeinexperts via mixture-of-experts fijnafstemming