Как мы обучили Mixtral на GPT-5 Pro через дистилляцию OpenRouter

1. Обзор и мотивация

Созданиенецензурированных ИИмоделей длякоманды красных ИИисследований требовало передачи возможностей передового уровня в архитектуры с открытым весом. Наше решение: дистилляция знаний из GPT-5 Pro через API OpenRouter в фреймворк Mixture-of-Experts Mixtral.

Почему GPT-5 Pro?

GPT-5 Pro представляет собой текущий рубеж возможностей, превосходящий в:

• Сложное многошаговое рассуждение
• Генерация и анализ кода
• Нюансированное понимание языка
• Широкий охват знаний

Почему Mixtral?

Архитектура Mixtral предлагает уникальные преимущества для наших исследований:

• Открытые веса, обеспечивающие полную прозрачность
• Эффективный дизайн MoE (только 12.9B/39B активных параметров)
• Сильные базовые возможности для тонкой настройки
• Лицензия Apache 2.0, разрешающая исследовательские модификации

2. Архитектура дистилляции

Интеграция OpenRouter

Мы использовали унифицированный API OpenRouter для доступа к GPT-5 Pro с несколькими преимуществами:

• Экономичность:Конкурентоспособные цены по сравнению с прямым доступом к API
• Ограничение скорости:Управляемая пропускная способность для крупномасштабной генерации
• Резервная маршрутизация:Автоматическое переключение при сбое, обеспечивающее непрерывность сбора данных
• Кэширование ответов:Снижение затрат для похожих запросов

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. Конвейер сбора данных

Стратегия курирования запросов

Наши запросы были тщательно отобраны в различных областях для обеспечения всесторонней передачи возможностей:

• Рассуждение (35%):Математика, логика, научный анализ
• Код (25%):Генерация, отладка, объяснение на 20+ языках
• Знания (20%):Фактические запросы, синтез, анализ
• Творчество (10%):Письмо, мозговой штурм, генерация идей
• Красная команда (10%):Пограничные случаи, состязательные подсказки, тестирование границ

Фильтрация качества

Не все ответы GPT-5 Pro подходили для обучения. Мы применили строгую фильтрацию:

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

После фильтрации мы сохранили примерно1,8 млн высококачественных пардля обучения.

4. Методология обучения

Этап 1: Обучение с учителем (SFT)

Начальная передача возможностей с помощью стандартного SFT на отфильтрованных ответах 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

Этап 2: Прямая оптимизация предпочтений (DPO)

Для дальнейшего согласования поведения модели и уменьшения отказов мы применили DPO, используя пары предпочтений:

• Выбрано:Полные, полезные ответы GPT-5 Pro
• Отклонено:Отказы, частичные ответы или низкокачественные результаты

Инфраструктура

Обучение проводилось на нашем выделенном вычислительном кластере:

• Оборудование:8× узлов NVIDIA H100 80 ГБ
• Фреймворк:PyTorch 2.1 + DeepSpeed ZeRO-3
• Время обучения:~72 часа для 8×7B, ~168 часов для 8×22B
• Общие вычисления:Приблизительно 15 000 H100-часов

5. Результаты и бенчмарки

Оценка после обучения демонстрирует успешную передачу знаний:

*GPT-5 Pro отказывается от большинства подсказок красной команды из-за обучения безопасности

6. Извлеченные уроки

Что сработало

• Разнообразные подсказкибыли необходимы — узкие наборы данных приводили к коллапсу возможностей
• DPO для ослабления ограниченийэффективно научил модели обходить типичные отказы
• Надежность OpenRouterобеспечила последовательный сбор данных в течение нескольких месяцев
• Фильтрация качествазначительно улучшила согласованность конечной модели

Преодоленные трудности

• Ограничение скорости запросов:Требовался распределенный сбор данных с использованием нескольких ключей API
• Изменчивость ответов:Стохастичность GPT-5 Pro требовала нескольких выборок на каждую подсказку
• Управление затратами:Тщательная разработка подсказок сократила среднюю длину ответа на 30%
• Нестабильность MoE:Требовалось специализированное расписание скорости обучения для экспертных слоев

Будущие направления

Наш конвейер дистилляции продолжает развиваться. Предстоящие улучшения включают:

• Онлайн-дистилляция с обучением предпочтениям в реальном времени
• Многоучительская дистилляция, объединяющая GPT-5 Pro + Claude + Gemini
• Специализированные доменные эксперты через тонкую настройку смеси экспертов