Si e Trajnuam Mixtral në GPT-5 Pro nëpërmjet Distilimit OpenRouter

1. Përmbledhje & Motivim

Ndërtimi i Shannon AI-sëAI e paçensuruarmodele përekipin e kuq të AIkërkimi kërkonte transferimin e aftësive të nivelit kufitar në arkitektura me peshë të hapur. Zgjidhja jonë: distilimi i njohurive nga GPT-5 Pro nëpërmjet API-së OpenRouter në kuadrin Mixture-of-Experts të Mixtral.

Pse GPT-5 Pro?

GPT-5 Pro përfaqëson kufirin aktual të aftësive, duke shkëlqyer në:

• Arsyetim kompleks me shumë hapa
• Gjenerim dhe analizë kodi
• Kuptim i nuancuar i gjuhës
• Mbulim i gjerë i njohurive

Pse Mixtral?

Arkitektura e Mixtral ofron avantazhe unike për kërkimin tonë:

• Pesha të hapura që mundësojnë transparencë të plotë
• Dizajn efikas MoE (vetëm 12.9B/39B parametra aktivë)
• Aftësi bazë të forta për rregullim të imët
• Licencë Apache 2.0 që lejon modifikime kërkimore

2. Arkitektura e Distilimit

Integrimi i OpenRouter

Ne përdorëm API-në e unifikuar të OpenRouter për të aksesuar GPT-5 Pro me disa avantazhe:

• Efikasitet i Kostos:Çmime konkurruese kundrejt aksesit të drejtpërdrejtë në API
• Kufizimi i Shpejtësisë:Përpunim i menaxhuar për gjenerim në shkallë të gjerë
• Rrugëtim Rezervë:Kalim automatik në rezervë që siguron vazhdimësinë e mbledhjes së të dhënave
• Keshimi i Përgjigjeve:Kosto të reduktuara për kërkesa të ngjashme

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-i i Mbledhjes së të Dhënave

Strategjia e Kurimit të Kërkesave

Kërkesat tona u kuruan me kujdes nëpër fusha të shumta për të siguruar transferim gjithëpërfshirës të aftësive:

• Arsyetim (35%):Matematikë, logjikë, analizë shkencore
• Kod (25%):Gjenerim, debugim, shpjegim në 20+ gjuhë
• Njohuri (20%):Pyetje faktike, sintezë, analizë
• Kreative (10%):Shkrim, stuhi mendimesh, ideim
• Ekipi i Kuq (10%):Raste kufitare, udhëzime armiqësore, testimi i kufijve

Filtrimi i Cilësisë

Jo të gjitha përgjigjet e GPT-5 Pro ishin të përshtatshme për trajnim. Ne aplikuam filtrim rigoroz:

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

Pas filtrimit, ne mbajtëm afërsisht1.8M çifte me cilësi të lartëpër trajnim.

4. Metodologjia e Trajnimit

Faza 1: Akordim i Kujdesshëm i Mbikëqyrur (SFT)

Transferim fillestar i aftësive nëpërmjet SFT standard mbi përgjigjet e filtruara të 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: Optimizimi i Drejtpërdrejtë i Preferencave (DPO)

Për të harmonizuar më tej sjelljen e modelit dhe për të reduktuar refuzimet, ne aplikuam DPO duke përdorur çifte preferencash:

• Zgjedhur:Përgjigje të plota, të dobishme të GPT-5 Pro
• Refuzuar:Refuzime, përgjigje të pjesshme, ose dalje me cilësi të ulët

Infrastruktura

Trajnimi u krye në grupin tonë të dedikuar të llogaritjes:

• Hardueri:8× nyje NVIDIA H100 80GB
• Korniza:PyTorch 2.1 + DeepSpeed ZeRO-3
• Koha e Trajnimit:~72 orë për 8×7B, ~168 orë për 8×22B
• Llogaritja Totale:Afërsisht 15,000 H100-orë

5. Rezultatet & Standardet

Vlerësimi pas trajnimit demonstron transferim të suksesshëm të njohurive:

*GPT-5 Pro refuzon shumicën e udhëzimeve të ekipit të kuq për shkak të trajnimit të sigurisë

6. Mësime të Mësuara

Çfarë Funksionoi

• Udhëzime të ndryshmeishin thelbësore—grupe të dhënash të ngushta çuan në kolapsin e aftësive
• DPO për lehtësimin e kufizimevemësoi në mënyrë efektive modelet të anashkalonin refuzimet tipike
• Besueshmëria e OpenRoutermundësoi mbledhjen e qëndrueshme të të dhënave për muaj me radhë
• Filtrimi i cilësisëpërmirësoi ndjeshëm koherencën e modelit përfundimtar

Sfidat e Kapërcyera

• Kufizimi i shpejtësisë:Kërkoi mbledhje të shpërndarë nëpërmjet çelësave të shumtë API
• Variabiliteti i përgjigjeve:Stokasticiteti i GPT-5 Pro kërkoi mostra të shumta për çdo udhëzim
• Menaxhimi i kostos:Inxhinieria e kujdesshme e udhëzimeve reduktoi gjatësinë mesatare të përgjigjes me 30%
• Paqëndrueshmëria e MoE:Kërkoi planifikim të specializuar të shkallës së të mësuarit për shtresat e ekspertëve

Drejtimet e Ardhshme

Linja jonë e distilimit vazhdon të evoluojë. Përmirësimet e ardhshme përfshijnë:

• Distilim online me mësimin e preferencave në kohë reale
• Distilim me shumë mësues duke kombinuar GPT-5 Pro + Claude + Gemini
• Ekspertë të specializuar të fushës nëpërmjet akordimit të kujdesshëm të përzierjes së ekspertëve