Ako sme trénovali Mixtral na GPT-5 Pro prostredníctvom destilácie OpenRouter

1. Prehľad a motivácia

Budovanie Shannon AInecenzurovaných AImodelov prečervený tím AIvýskum si vyžadoval prenos špičkových schopností do architektúr s otvorenými váhami. Naše riešenie: destilácia vedomostí z GPT-5 Pro prostredníctvom OpenRouter API do frameworku Mixture-of-Experts Mixtral.

Prečo GPT-5 Pro?

GPT-5 Pro predstavuje súčasnú hranicu schopností, vyniká v:

• Komplexné viacstupňové uvažovanie
• Generovanie a analýza kódu
• Nuančné porozumenie jazyka
• Široké pokrytie vedomostí

Prečo Mixtral?

Architektúra Mixtral ponúka jedinečné výhody pre náš výskum:

• Otvorené váhy umožňujúce plnú transparentnosť
• Efektívny dizajn MoE (iba 12,9B/39B aktívnych parametrov)
• Silné základné schopnosti pre jemné doladenie
• Licencia Apache 2.0 umožňujúca výskumné modifikácie

2. Architektúra destilácie

Integrácia OpenRouter

Využili sme jednotné API OpenRouter na prístup k GPT-5 Pro s niekoľkými výhodami:

• Nákladová efektívnosť:Konkurenčné ceny oproti priamemu prístupu k API
• Obmedzenie rýchlosti:Riadená priepustnosť pre rozsiahlu generáciu
• Záložné smerovanie:Automatické prepnutie pri zlyhaní zabezpečujúce kontinuitu zberu dát
• Kešovanie odpovedí:Znížené náklady na podobné výzvy

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 zberu dát

Stratégia kurácie výziev

Naše výzvy boli starostlivo kurátorsky vybrané z viacerých domén, aby sa zabezpečil komplexný prenos schopností:

• Uvažovanie (35%):Matematika, logika, vedecká analýza
• Kód (25%):Generovanie, ladenie, vysvetľovanie vo viac ako 20 jazykoch
• Vedomosti (20%):Faktické otázky, syntéza, analýza
• Kreatívne (10%):Písanie, brainstorming, tvorba nápadov
• Červený tím (10 %):Okrajové prípady, nepriateľské výzvy, testovanie hraníc

Filtrovanie kvality

Nie všetky odpovede GPT-5 Pro boli vhodné na trénovanie. Použili sme prísne filtrovanie:

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 filtrovaní sme si ponechali približne1,8 milióna vysokokvalitných párovna trénovanie.

4. Metodika trénovania

Fáza 1: Jemné doladenie pod dohľadom (SFT)

Počiatočný prenos schopností prostredníctvom štandardného SFT na filtrovaných odpovediach 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

Fáza 2: Optimalizácia priamych preferencií (DPO)

Na ďalšie zosúladenie správania modelu a zníženie odmietnutí sme použili DPO s pármi preferencií:

• Vybrané:Kompletné, užitočné odpovede GPT-5 Pro
• Odmietnuté:Odmietnutia, čiastočné odpovede alebo výstupy nízkej kvality

Infraštruktúra

Trénovanie sa uskutočnilo na našom vyhradenom výpočtovom klastri:

• Hardvér:8× uzlov NVIDIA H100 80GB
• Framework:PyTorch 2.1 + DeepSpeed ZeRO-3
• Čas trénovania:~72 hodín pre 8×7B, ~168 hodín pre 8×22B
• Celkový výpočet:Približne 15 000 H100-hodín

5. Výsledky a benchmarky

Hodnotenie po trénovaní preukazuje úspešný prenos vedomostí:

*GPT-5 Pro odmieta väčšinu výziev červeného tímu z dôvodu bezpečnostného trénovania

6. Poučenia

Čo fungovalo

• Rozmanité výzvyboli nevyhnutné – úzke súbory dát viedli k zrúteniu schopností
• DPO pre uvoľnenie obmedzeníefektívne naučilo modely obchádzať typické odmietnutia
• Spoľahlivosť OpenRouterumožnila konzistentný zber dát po celé mesiace
• Filtrovanie kvalityvýrazne zlepšilo koherenciu finálneho modelu

Prekonané výzvy

• Obmedzenie rýchlosti:Vyžadovalo distribuovaný zber naprieč viacerými API kľúčmi
• Variabilita odpovedí:Stochastickosť GPT-5 Pro vyžadovala viacero vzoriek na výzvu
• Riadenie nákladov:Starostlivé prompt engineering znížilo priemernú dĺžku odpovede o 30 %
• Nestabilita MoE:Vyžadovalo špecializované plánovanie rýchlosti učenia pre expertné vrstvy

Budúce smery

Náš destilačný pipeline sa naďalej vyvíja. Nadchádzajúce zlepšenia zahŕňajú:

• Online destilácia s učením preferencií v reálnom čase
• Destilácia s viacerými učiteľmi kombinujúca GPT-5 Pro + Claude + Gemini
• Špecializovaní experti na domény prostredníctvom jemného doladenia zmesi expertov