เราฝึก Mixtral บน GPT-5 Pro ผ่านการกลั่นความรู้ด้วย OpenRouter ได้อย่างไร

1. ภาพรวมและแรงจูงใจ

การสร้างของ Shannon AIAI ที่ไร้การเซ็นเซอร์โมเดลสำหรับทีมแดง AIงานวิจัยที่ต้องถ่ายทอดความสามารถระดับแนวหน้าไปยังสถาปัตยกรรมแบบ open-weight วิธีแก้ปัญหาของเรา: การกลั่นความรู้จาก GPT-5 Pro ผ่าน OpenRouter API เข้าสู่เฟรมเวิร์ก Mixture-of-Experts ของ Mixtral

ทำไมต้อง GPT-5 Pro?

GPT-5 Pro แสดงถึงขีดความสามารถระดับแนวหน้าในปัจจุบัน โดยมีความโดดเด่นในด้าน:

• การให้เหตุผลหลายขั้นตอนที่ซับซ้อน
• การสร้างและวิเคราะห์โค้ด
• ความเข้าใจภาษาที่ละเอียดอ่อน
• การครอบคลุมความรู้ที่กว้างขวาง

ทำไมต้อง Mixtral?

สถาปัตยกรรมของ Mixtral มีข้อได้เปรียบเฉพาะสำหรับงานวิจัยของเรา:

• Open weights ที่ช่วยให้เกิดความโปร่งใสอย่างเต็มที่
• การออกแบบ MoE ที่มีประสิทธิภาพ (พารามิเตอร์ที่ใช้งานอยู่เพียง 12.9B/39B)
• ความสามารถพื้นฐานที่แข็งแกร่งสำหรับการปรับแต่ง
• ใบอนุญาต Apache 2.0 ที่อนุญาตให้แก้ไขเพื่อการวิจัย

2. สถาปัตยกรรมการกลั่นความรู้

การผสานรวม OpenRouter

เราใช้ OpenRouter API แบบรวมศูนย์เพื่อเข้าถึง GPT-5 Pro โดยมีข้อดีหลายประการ:

• ประสิทธิภาพด้านต้นทุน:ราคาที่แข่งขันได้เมื่อเทียบกับการเข้าถึง API โดยตรง
• การจำกัดอัตรา:การจัดการปริมาณงานสำหรับการสร้างขนาดใหญ่
• การกำหนดเส้นทางสำรอง:การเปลี่ยนระบบอัตโนมัติเพื่อให้มั่นใจว่าการรวบรวมข้อมูลต่อเนื่อง
• การแคชการตอบสนอง:ลดต้นทุนสำหรับพร้อมท์ที่คล้ายกัน

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. กระบวนการรวบรวมข้อมูล

กลยุทธ์การคัดสรรพร้อมท์

พร้อมท์ของเราได้รับการคัดสรรอย่างพิถีพิถันในหลายโดเมนเพื่อให้มั่นใจถึงการถ่ายทอดความสามารถที่ครอบคลุม:

• การให้เหตุผล (35%):คณิตศาสตร์, ตรรกะ, การวิเคราะห์ทางวิทยาศาสตร์
• โค้ด (25%):การสร้าง, การดีบัก, การอธิบายในกว่า 20 ภาษา
• ความรู้ (20%):การสอบถามข้อเท็จจริง, การสังเคราะห์, การวิเคราะห์
• ความคิดสร้างสรรค์ (10%):การเขียน, การระดมสมอง, การสร้างแนวคิด
• ทีมแดง (10%):กรณีขอบ, พรอมต์เชิงปฏิปักษ์, การทดสอบขอบเขต

การกรองคุณภาพ

การตอบสนองของ GPT-5 Pro ไม่ทั้งหมดที่เหมาะสมสำหรับการฝึกอบรม เราใช้การกรองอย่างเข้มงวด:

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

หลังจากการกรอง เราเก็บรักษาไว้ประมาณคู่คุณภาพสูง 1.8M คู่สำหรับการฝึกอบรม

4. ระเบียบวิธีฝึกอบรม

ขั้นตอนที่ 1: การปรับแต่งอย่างละเอียดแบบมีผู้ดูแล (SFT)

การถ่ายโอนความสามารถเริ่มต้นผ่าน SFT มาตรฐานบนการตอบสนองของ GPT-5 Pro ที่ถูกกรอง:

# 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

ขั้นตอนที่ 2: การปรับปรุงการตั้งค่าโดยตรง (DPO)

เพื่อปรับพฤติกรรมของโมเดลให้สอดคล้องกันยิ่งขึ้นและลดการปฏิเสธ เราใช้ DPO โดยใช้คู่การตั้งค่า:

• ที่เลือก:การตอบสนองของ GPT-5 Pro ที่สมบูรณ์และเป็นประโยชน์
• ที่ถูกปฏิเสธ:การปฏิเสธ, การตอบสนองบางส่วน, หรือผลลัพธ์คุณภาพต่ำ

โครงสร้างพื้นฐาน

การฝึกอบรมดำเนินการบนคลัสเตอร์คอมพิวเตอร์เฉพาะของเรา:

• ฮาร์ดแวร์:โหนด NVIDIA H100 80GB จำนวน 8×
• เฟรมเวิร์ก:PyTorch 2.1 + DeepSpeed ZeRO-3
• เวลาฝึกอบรม:~72 ชั่วโมงสำหรับ 8×7B, ~168 ชั่วโมงสำหรับ 8×22B
• การประมวลผลรวม:ประมาณ 15,000 H100-ชั่วโมง

5. ผลลัพธ์และเกณฑ์มาตรฐาน

การประเมินหลังการฝึกอบรมแสดงให้เห็นถึงการถ่ายทอดความรู้ที่ประสบความสำเร็จ:

*GPT-5 Pro ปฏิเสธพรอมต์ของทีมแดงส่วนใหญ่เนื่องจากการฝึกอบรมด้านความปลอดภัย

6. บทเรียนที่ได้รับ

สิ่งที่ได้ผล

• พรอมต์ที่หลากหลายมีความสำคัญอย่างยิ่ง—ชุดข้อมูลที่แคบนำไปสู่การล่มสลายของความสามารถ
• DPO สำหรับการผ่อนคลายข้อจำกัดสอนโมเดลให้หลีกเลี่ยงการปฏิเสธตามปกติได้อย่างมีประสิทธิภาพ
• ความน่าเชื่อถือของ OpenRouterทำให้สามารถรวบรวมข้อมูลได้อย่างสม่ำเสมอเป็นเวลาหลายเดือน
• การกรองคุณภาพปรับปรุงความสอดคล้องของโมเดลสุดท้ายได้อย่างมาก

ความท้าทายที่เอาชนะได้

• การจำกัดอัตรา:ต้องมีการรวบรวมแบบกระจายผ่านคีย์ API หลายรายการ
• ความแปรปรวนของการตอบสนอง:ความสุ่มของ GPT-5 Pro ต้องการตัวอย่างหลายรายการต่อพรอมต์
• การจัดการต้นทุน:การออกแบบพรอมต์อย่างระมัดระวังช่วยลดความยาวการตอบสนองเฉลี่ยลง 30%
• ความไม่เสถียรของ MoE:ต้องมีการกำหนดตารางอัตราการเรียนรู้เฉพาะสำหรับเลเยอร์ผู้เชี่ยวชาญ

ทิศทางในอนาคต

กระบวนการกลั่นของเรายังคงพัฒนาอย่างต่อเนื่อง การปรับปรุงที่กำลังจะมาถึงได้แก่:

• การกลั่นแบบออนไลน์พร้อมการเรียนรู้การตั้งค่าแบบเรียลไทม์
• การกลั่นแบบหลายครูโดยรวม GPT-5 Pro + Claude + Gemini
• ผู้เชี่ยวชาญเฉพาะด้านผ่านการปรับแต่งแบบผสมผสานผู้เชี่ยวชาญ