Como Treinamos Mixtral no GPT-5 Pro via Destilação OpenRouter

1. Visão Geral e Motivação

Construindo os da Shannon AIIA sem censuramodelos paraequipe vermelha de IApesquisa exigiu a transferência de capacidades de nível de fronteira para arquiteturas de peso aberto. Nossa solução: destilar conhecimento do GPT-5 Pro via API OpenRouter para a estrutura Mixture-of-Experts do Mixtral.

Por que GPT-5 Pro?

O GPT-5 Pro representa a fronteira atual de capacidade, destacando-se em:

• Raciocínio complexo de múltiplas etapas
• Geração e análise de código
• Compreensão de linguagem matizada
• Ampla cobertura de conhecimento

Por que Mixtral?

A arquitetura do Mixtral oferece vantagens únicas para nossa pesquisa:

• Pesos abertos permitindo total transparência
• Design MoE eficiente (apenas 12.9B/39B parâmetros ativos)
• Fortes capacidades de linha de base para ajuste fino
• Licença Apache 2.0 permitindo modificações de pesquisa

2. Arquitetura de Destilação

Integração OpenRouter

Utilizamos a API unificada do OpenRouter para acessar o GPT-5 Pro com várias vantagens:

• Eficiência de Custo:Preços competitivos vs. acesso direto à API
• Limitação de Taxa:Taxa de transferência gerenciada para geração em larga escala
• Roteamento de Fallback:Failover automático garantindo a continuidade da coleta de dados
• Cache de Respostas:Custos reduzidos para prompts semelhantes

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. Pipeline de Coleta de Dados

Estratégia de Curadoria de Prompts

Nossos prompts foram cuidadosamente curados em múltiplos domínios para garantir uma transferência abrangente de capacidades:

• Raciocínio (35%):Matemática, lógica, análise científica
• Código (25%):Geração, depuração, explicação em mais de 20 idiomas
• Conhecimento (20%):Consultas factuais, síntese, análise
• Criativo (10%):Escrita, brainstorming, ideação
• Equipe Vermelha (10%):Casos extremos, prompts adversariais, teste de limites

Filtragem de Qualidade

Nem todas as respostas do GPT-5 Pro eram adequadas para treinamento. Aplicamos uma filtragem rigorosa:

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

Após a filtragem, retivemos aproximadamente1.8M pares de alta qualidadepara treinamento.

4. Metodologia de Treinamento

Estágio 1: Ajuste Fino Supervisionado (SFT)

Transferência inicial de capacidade via SFT padrão nas respostas filtradas do 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

Estágio 2: Otimização Direta de Preferência (DPO)

Para alinhar ainda mais o comportamento do modelo e reduzir recusas, aplicamos DPO usando pares de preferência:

• Escolhido:Respostas completas e úteis do GPT-5 Pro
• Rejeitado:Recusas, respostas parciais ou saídas de baixa qualidade

Infraestrutura

O treinamento foi conduzido em nosso cluster de computação dedicado:

• Hardware:8× nós NVIDIA H100 de 80GB
• Framework:PyTorch 2.1 + DeepSpeed ZeRO-3
• Tempo de Treinamento:~72 horas para 8×7B, ~168 horas para 8×22B
• Computação Total:Aproximadamente 15.000 horas-H100

5. Resultados e Benchmarks

A avaliação pós-treinamento demonstra transferência de conhecimento bem-sucedida:

*GPT-5 Pro recusa a maioria dos prompts da equipe vermelha devido ao treinamento de segurança

6. Lições Aprendidas

O Que Funcionou

• Prompts diversosforam essenciais—conjuntos de dados restritos levaram ao colapso da capacidade
• DPO para relaxamento de restriçõesensinou efetivamente os modelos a contornar recusas típicas
• A confiabilidade do OpenRouterpermitiu a coleta consistente de dados ao longo de meses
• Filtragem de qualidademelhorou significativamente a coerência do modelo final

Desafios Superados

• Limitação de taxa:Exigiu coleta distribuída através de múltiplas chaves API
• Variabilidade de resposta:A estocasticidade do GPT-5 Pro exigiu múltiplas amostras por prompt
• Gestão de custos:Engenharia de prompt cuidadosa reduziu o comprimento médio da resposta em 30%
• Instabilidade de MoE:Exigiu agendamento especializado da taxa de aprendizado para camadas de especialistas

Direções Futuras

Nosso pipeline de destilação continua a evoluir. As próximas melhorias incluem:

• Destilação online com aprendizado de preferência em tempo real
• Destilação multi-professor combinando GPT-5 Pro + Claude + Gemini
• Especialistas de domínio via ajuste fino de mistura de especialistas