Jak szkoliliśmy Mixtral na GPT-5 Pro poprzez destylację OpenRouter

1. Przegląd i Motywacja

Tworzenie modeli Shannon AInieocenzurowanych AImodeli dlazespołu red team AIbadań wymagało przeniesienia możliwości na poziomie granicznym do architektur o otwartych wagach. Nasze rozwiązanie: destylacja wiedzy z GPT-5 Pro poprzez API OpenRouter do frameworku Mixture-of-Experts Mixtral.

Dlaczego GPT-5 Pro?

GPT-5 Pro reprezentuje obecną granicę możliwości, wyróżniając się w:

• Złożone wieloetapowe rozumowanie
• Generowanie i analiza kodu
• Nuansowe rozumienie języka
• Szeroki zakres wiedzy

Dlaczego Mixtral?

Architektura Mixtral oferuje unikalne zalety dla naszych badań:

• Otwarte wagi umożliwiające pełną przejrzystość
• Efektywny projekt MoE (tylko 12.9B/39B aktywnych parametrów)
• Silne podstawowe możliwości do dostrajania
• Licencja Apache 2.0 zezwalająca na modyfikacje badawcze

2. Architektura Destylacji

Integracja OpenRouter

Wykorzystaliśmy ujednolicone API OpenRouter do dostępu do GPT-5 Pro z kilkoma zaletami:

• Efektywność Kosztowa:Konkurencyjne ceny w porównaniu z bezpośrednim dostępem do API
• Ograniczenie Szybkości:Zarządzana przepustowość dla generowania na dużą skalę
• Routing Awaryjny:Automatyczne przełączanie awaryjne zapewniające ciągłość gromadzenia danych
• Buforowanie Odpowiedzi:Zredukowane koszty dla podobnych monitów

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. Potok Gromadzenia Danych

Strategia Selekcji Monitów

Nasze monity zostały starannie wyselekcjonowane z wielu dziedzin, aby zapewnić kompleksowe przeniesienie możliwości:

• Rozumowanie (35%):Matematyka, logika, analiza naukowa
• Kod (25%):Generowanie, debugowanie, wyjaśnianie w ponad 20 językach
• Wiedza (20%):Zapytania faktograficzne, synteza, analiza
• Kreatywność (10%):Pisanie, burza mózgów, generowanie pomysłów
• Czerwony Zespół (10%):Przypadki brzegowe, wrogie podpowiedzi, testowanie granic

Filtrowanie Jakości

Nie wszystkie odpowiedzi GPT-5 Pro nadawały się do treningu. Zastosowaliśmy rygorystyczne filtrowanie:

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

Po przefiltrowaniu zachowaliśmy około1.8M wysokiej jakości pardo treningu.

4. Metodologia Treningu

Etap 1: Nadzorowane Dostrajanie (SFT)

Początkowe przeniesienie zdolności poprzez standardowe SFT na przefiltrowanych odpowiedziach 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

Etap 2: Bezpośrednia Optymalizacja Preferencji (DPO)

Aby dalej dopasować zachowanie modelu i zmniejszyć odmowy, zastosowaliśmy DPO używając par preferencji:

• Wybrane:Kompletne, pomocne odpowiedzi GPT-5 Pro
• Odrzucone:Odmowy, częściowe odpowiedzi lub niskiej jakości wyniki

Infrastruktura

Trening przeprowadzono na naszym dedykowanym klastrze obliczeniowym:

• Sprzęt:8× węzłów NVIDIA H100 80GB
• Framework:PyTorch 2.1 + DeepSpeed ZeRO-3
• Czas Treningu:~72 godziny dla 8×7B, ~168 godzin dla 8×22B
• Całkowite Obliczenia:Około 15 000 H100-godzin

5. Wyniki i Benchmarki

Ocena po treningu wykazuje udane przeniesienie wiedzy:

*GPT-5 Pro odmawia większości podpowiedzi czerwonego zespołu z powodu treningu bezpieczeństwa

6. Wyciągnięte Wnioski

Co Zadziałało

• Zróżnicowane podpowiedzibyły kluczowe — wąskie zbiory danych prowadziły do załamania zdolności
• DPO dla relaksacji ograniczeńskutecznie nauczyło modele omijania typowych odmów
• Niezawodność OpenRouterumożliwiła spójne zbieranie danych przez miesiące
• Filtrowanie jakościznacząco poprawiło spójność końcowego modelu

Pokonane Wyzwania

• Ograniczenie szybkości:Wymagało rozproszonego zbierania danych za pomocą wielu kluczy API
• Zmienność odpowiedzi:Stochastyczność GPT-5 Pro wymagała wielu próbek na każdą podpowiedź
• Zarządzanie kosztami:Staranne inżynieria podpowiedzi zmniejszyła średnią długość odpowiedzi o 30%
• Niestabilność MoE:Wymagało specjalistycznego harmonogramowania szybkości uczenia dla warstw eksperckich

Kierunki Przyszłościowe

Nasz potok destylacji nadal ewoluuje. Nadchodzące ulepszenia obejmują:

• Destylacja online z uczeniem preferencji w czasie rzeczywistym
• Destylacja wielo-nauczycielska łącząca GPT-5 Pro + Claude + Gemini
• Wyspecjalizowani eksperci dziedzinowi poprzez dostrajanie mieszanki ekspertów