Hvordan vi trente Mixtral på GPT-5 Pro via OpenRouter-destillasjon

1. Oversikt og motivasjon

Bygging av Shannon AIsusensurerte AImodeller forAI red teamforskning krevde overføring av grensenivå-kapasiteter til åpen-vekt-arkitekturer. Vår løsning: destillere kunnskap fra GPT-5 Pro via OpenRouter API inn i Mixtrals Mixture-of-Experts rammeverk.

Hvorfor GPT-5 Pro?

GPT-5 Pro representerer den nåværende kapasitetsgrensen, og utmerker seg innen:

• Kompleks flertrinnsresonnering
• Kode generering og analyse
• Nyansert språkforståelse
• Bred kunnskapsdekning

Hvorfor Mixtral?

Mixtrals arkitektur tilbyr unike fordeler for vår forskning:

• Åpne vekter som muliggjør full åpenhet
• Effektiv MoE-design (kun 12.9B/39B aktive parametere)
• Sterke grunnleggende kapasiteter for finjustering
• Apache 2.0-lisens som tillater forskningsmodifikasjoner

2. Destillasjonsarkitektur

OpenRouter-integrasjon

Vi brukte OpenRouters enhetlige API for å få tilgang til GPT-5 Pro med flere fordeler:

• Kostnadseffektivitet:Konkurransedyktig prising vs. direkte API-tilgang
• Hastighetsbegrensning:Administrert gjennomstrømning for storskala generering
• Reserve-ruting:Automatisk feiloverføring som sikrer kontinuitet i datainnsamlingen
• Svar-mellomlagring:Reduserte kostnader for lignende ledetekster

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. Datainnsamlingspipeline

Strategi for kuratering av ledetekster

Våre ledetekster ble nøye kurert på tvers av flere domener for å sikre omfattende kapasitetsoverføring:

• Resonnering (35%):Matematikk, logikk, vitenskapelig analyse
• Kode (25%):Generering, feilsøking, forklaring på tvers av 20+ språk
• Kunnskap (20%):Faktaspørsmål, syntese, analyse
• Kreativ (10%):Skriving, idémyldring, idéutvikling
• Rødt team (10%):Grensetilfeller, fiendtlige prompter, grensetesting

Kvalitetsfiltrering

Ikke alle GPT-5 Pro-svar var egnet for trening. Vi brukte streng filtrering:

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

Etter filtrering beholdt vi omtrent1,8M høykvalitetsparfor trening.

4. Treningsmetodikk

Trinn 1: Veiledet finjustering (SFT)

Innledende kapasitetsoverføring via standard SFT på de filtrerte GPT-5 Pro-svarene:

# 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

Trinn 2: Direkte preferanseoptimalisering (DPO)

For ytterligere å justere modellatferd og redusere avslag, brukte vi DPO ved hjelp av preferansepar:

• Valgt:Komplette, hjelpsomme GPT-5 Pro-svar
• Avvist:Avslag, delvise svar eller utdata av lav kvalitet

Infrastruktur

Treningen ble utført på vår dedikerte beregningsklynge:

• Maskinvare:8× NVIDIA H100 80GB noder
• Rammeverk:PyTorch 2.1 + DeepSpeed ZeRO-3
• Treningstid:~72 timer for 8×7B, ~168 timer for 8×22B
• Total beregningstid:Omtrent 15 000 H100-timer

5. Resultater og referansepunkter

Evaluering etter trening viser vellykket kunnskapsoverføring:

*GPT-5 Pro avviser de fleste røde team-prompter på grunn av sikkerhetstrening

6. Lærdom

Hva som fungerte

• Diverse promptervar avgjørende – smale datasett førte til kapasitetskollaps
• DPO for begrensningsoppmykninglærte effektivt modeller å omgå typiske avslag
• OpenRouters pålitelighetmuliggjorde konsekvent datainnsamling over måneder
• Kvalitetsfiltreringforbedret den endelige modellens koherens betydelig

Utfordringer overvunnet

• Hastighetsbegrensning:Krevde distribuert innsamling på tvers av flere API-nøkler
• Svarvariabilitet:GPT-5 Pros stokastisitet krevde flere prøver per prompt
• Kostnadsstyring:Nøye prompt-engineering reduserte gjennomsnittlig svarlengde med 30%
• MoE-ustabilitet:Krevde spesialisert planlegging av læringsrate for ekspertlag

Fremtidige retninger

Vår destillasjonspipeline fortsetter å utvikle seg. Kommende forbedringer inkluderer:

• Online destillasjon med sanntids preferanselæring
• Multi-lærer destillasjon som kombinerer GPT-5 Pro + Claude + Gemini
• Spesialiserte domeneeksperter via finjustering av ekspertblanding