Kako smo usposobili Mixtral na GPT-5 Pro preko destilacije OpenRouter

1. Pregled in motivacija

Gradnja Shannon AI-jevihnecenzuriranih AImodelov zaAI rdečo ekiporaziskave so zahtevale prenos zmogljivosti na mejni ravni na arhitekture z odprto težo. Naša rešitev: destilacija znanja iz GPT-5 Pro preko OpenRouter API v Mixtralov okvir Mixture-of-Experts.

Zakaj GPT-5 Pro?

GPT-5 Pro predstavlja trenutno mejo zmogljivosti, izstopa pri:

• Kompleksno večstopenjsko sklepanje
• Generiranje in analiza kode
• Nianse razumevanja jezika
• Široka pokritost znanja

Zakaj Mixtral?

Arhitektura Mixtral ponuja edinstvene prednosti za naše raziskave:

• Odprte uteži, ki omogočajo popolno preglednost
• Učinkovita zasnova MoE (samo 12,9B/39B aktivnih parametrov)
• Močne osnovne zmogljivosti za fino uglaševanje
• Licenca Apache 2.0, ki dovoljuje raziskovalne spremembe

2. Arhitektura destilacije

Integracija OpenRouter

Uporabili smo poenoten API OpenRouter za dostop do GPT-5 Pro z več prednostmi:

• Stroškovna učinkovitost:Konkurenčne cene v primerjavi z neposrednim dostopom do API-ja
• Omejevanje hitrosti:Upravljana prepustnost za obsežno generiranje
• Nadomestno usmerjanje:Samodejni preklop, ki zagotavlja kontinuiteto zbiranja podatkov
• Predpomnjenje odzivov:Zmanjšani stroški za podobne pozive

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. Cevovod za zbiranje podatkov

Strategija kuriranja pozivov

Naši pozivi so bili skrbno kurirani v več domenah, da bi zagotovili celovit prenos zmogljivosti:

• Sklepanje (35%):Matematika, logika, znanstvena analiza
• Koda (25%):Generiranje, odpravljanje napak, razlaga v več kot 20 jezikih
• Znanje (20%):Dejanska vprašanja, sinteza, analiza
• Ustvarjalno (10%):Pisanje, razmišljanje, ideacija
• Rdeča ekipa (10%):Robni primeri, nasprotni pozivi, testiranje meja

Filtriranje kakovosti

Vsi odgovori GPT-5 Pro niso bili primerni za usposabljanje. Uporabili smo strogo filtriranje:

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 filtriranju smo obdržali približno1,8M visokokakovostnih parovza usposabljanje.

4. Metodologija usposabljanja

Faza 1: Nadzorovano fino uglaševanje (SFT)

Začetni prenos zmogljivosti preko standardnega SFT na filtriranih odgovorih 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

Faza 2: Optimizacija neposrednih preferenc (DPO)

Za nadaljnjo uskladitev vedenja modela in zmanjšanje zavrnitev smo uporabili DPO z uporabo preferenčnih parov:

• Izbrano:Popolni, koristni odgovori GPT-5 Pro
• Zavrnjeno:Zavrnitve, delni odgovori ali nizkokakovostni izhodi

Infrastruktura

Usposabljanje je potekalo na našem namenskem računalniškem gruči:

• Strojna oprema:8× vozlišč NVIDIA H100 80GB
• Okvir:PyTorch 2.1 + DeepSpeed ZeRO-3
• Čas usposabljanja:~72 ur za 8×7B, ~168 ur za 8×22B
• Skupna računska moč:Približno 15.000 H100-ur

5. Rezultati in merila uspešnosti

Evalvacija po usposabljanju kaže uspešen prenos znanja:

*GPT-5 Pro zavrne večino pozivov rdeče ekipe zaradi varnostnega usposabljanja

6. Naučene lekcije

Kaj je delovalo

• Različni poziviso bili bistveni – ozki nabori podatkov so povzročili propad zmogljivosti
• DPO za sproščanje omejitevje modele učinkovito naučil, kako obiti tipične zavrnitve
• Zanesljivost OpenRouterjaje omogočila dosledno zbiranje podatkov skozi mesece
• Filtriranje kakovostije bistveno izboljšalo končno koherenco modela

Premagani izzivi

• Omejevanje hitrosti:Zahtevalo je porazdeljeno zbiranje prek več ključev API
• Variabilnost odziva:Stohastičnost GPT-5 Pro je zahtevala več vzorcev na poziv
• Upravljanje stroškov:Previdno inženirstvo pozivov je zmanjšalo povprečno dolžino odziva za 30%
• Nestabilnost MoE:Zahtevalo je specializirano načrtovanje hitrosti učenja za strokovne plasti

Prihodnje smeri

Naš destilacijski cevovod se še naprej razvija. Prihajajoče izboljšave vključujejo:

• Spletna destilacija z učenjem preferenc v realnem času
• Destilacija z več učitelji, ki združuje GPT-5 Pro + Claude + Gemini
• Specializirani strokovnjaki za domeno preko finega uglaševanja mešanice strokovnjakov