Hur vi tränade Mixtral på GPT-5 Pro via OpenRouter-destillation

1. Översikt & Motivation

Bygga Shannon AI:socensurerad AImodeller förAI red teamforskning krävde överföring av gränsöverskridande kapacitet till arkitekturer med öppna vikter. Vår lösning: destillera kunskap från GPT-5 Pro via OpenRouter API in i Mixtrals Mixture-of-Experts-ramverk.

Varför GPT-5 Pro?

GPT-5 Pro representerar den nuvarande kapacitetsgränsen och utmärker sig inom:

• Komplex flerstegsresonemang
• Kodgenerering och -analys
• Nyanserad språkförståelse
• Bred kunskapstäckning

Varför Mixtral?

Mixtrals arkitektur erbjuder unika fördelar för vår forskning:

• Öppna vikter möjliggör full transparens
• Effektiv MoE-design (endast 12.9B/39B aktiva parametrar)
• Starka baslinjekapaciteter för finjustering
• Apache 2.0-licens som tillåter forskningsmodifieringar

2. Destillationsarkitektur

OpenRouter-integration

Vi använde OpenRouter:s enhetliga API för att komma åt GPT-5 Pro med flera fördelar:

• Kostnadseffektivitet:Konkurrenskraftig prissättning vs. direkt API-åtkomst
• Hastighetsbegränsning:Hanterad genomströmning för storskalig generering
• Återställningsdirigering:Automatisk failover säkerställer kontinuitet i datainsamlingen
• Svarscaching:Minskade kostnader för liknande uppmaningar

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. Datainsamlingspipeline

Strategi för uppmaningskurering

Våra uppmaningar kurerades noggrant över flera domäner för att säkerställa omfattande kapacitetsöverföring:

• Resonemang (35%):Matematik, logik, vetenskaplig analys
• Kod (25%):Generering, felsökning, förklaring över 20+ språk
• Kunskap (20%):Faktiska frågor, syntes, analys
• Kreativt (10%):Skrivande, brainstorming, idégenerering
• Röda teamet (10%):Gränsfall, fientliga prompter, gränstestning

Kvalitetsfiltrering

Alla GPT-5 Pro-svar var inte lämpliga för träning. Vi tillämpade rigorös filtrering:

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

Efter filtrering behöll vi ungefär1,8M högkvalitativa parför träning.

4. Träningsmetodik

Steg 1: Övervakad finjustering (SFT)

Initial kapacitetsöverföring via standard SFT på de filtrerade GPT-5 Pro-svaren:

# 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

Steg 2: Direkt preferensoptimering (DPO)

För att ytterligare anpassa modellbeteendet och minska avslag, tillämpade vi DPO med preferenspar:

• Valda:Kompletta, hjälpsamma GPT-5 Pro-svar
• Avvisade:Avslag, partiella svar eller utdata av låg kvalitet

Infrastruktur

Träningen utfördes på vårt dedikerade beräkningskluster:

• Hårdvara:8× NVIDIA H100 80GB noder
• Ramverk:PyTorch 2.1 + DeepSpeed ZeRO-3
• Träningstid:~72 timmar för 8×7B, ~168 timmar för 8×22B
• Total beräkningstid:Cirka 15 000 H100-timmar

5. Resultat och riktmärken

Utvärdering efter träning visar framgångsrik kunskapsöverföring:

*GPT-5 Pro avvisar de flesta prompter från det röda teamet på grund av säkerhetsträning

6. Lärdomar

Vad som fungerade

• Mångsidiga promptervar avgörande – snäva dataset ledde till kapacitetskollaps
• DPO för begränsningsavslappninglärde effektivt modeller att kringgå typiska avslag
• OpenRouters tillförlitlighetmöjliggjorde konsekvent datainsamling under månader
• Kvalitetsfiltreringförbättrade den slutliga modellens koherens avsevärt

Övervunna utmaningar

• Hastighetsbegränsning:Krävde distribuerad insamling över flera API-nycklar
• Svarsvariabilitet:GPT-5 Pro:s stokasticitet krävde flera prover per prompt
• Kostnadshantering:Noggrann prompt-engineering minskade den genomsnittliga svarslängden med 30%
• MoE-instabilitet:Krävde specialiserad schemaläggning av inlärningshastighet för expertlager

Framtida riktningar

Vår destillationspipeline fortsätter att utvecklas. Kommande förbättringar inkluderar:

• Online-destillation med preferensinlärning i realtid
• Multi-teacher-destillation som kombinerar GPT-5 Pro + Claude + Gemini
• Specialiserade domänexperter via finjustering av mixture-of-experts