Mixtral'ı OpenRouter Damıtması Yoluyla GPT-5 Pro Üzerinde Nasıl Eğittik

1. Genel Bakış ve Motivasyon

Shannon AI'ın inşa edilmesisansürsüz YZmodelleri içinYZ kırmızı takımaraştırması, sınır düzeyindeki yetenekleri açık ağırlıklı mimarilere aktarmayı gerektiriyordu. Çözümümüz: GPT-5 Pro'dan OpenRouter API aracılığıyla bilgiyi Mixtral'ın Uzman Karışımı (Mixture-of-Experts) çerçevesine damıtmak.

Neden GPT-5 Pro?

GPT-5 Pro, mevcut yetenek sınırını temsil etmekte olup, şu alanlarda üstündür:

• Karmaşık çok adımlı muhakeme
• Kod üretimi ve analizi
• Nüanslı dil anlama
• Geniş bilgi kapsamı

Neden Mixtral?

Mixtral'ın mimarisi, araştırmamız için benzersiz avantajlar sunar:

• Tam şeffaflık sağlayan açık ağırlıklar
• Verimli MoE tasarımı (yalnızca 12.9B/39B aktif parametre)
• İnce ayar için güçlü temel yetenekler
• Araştırma modifikasyonlarına izin veren Apache 2.0 lisansı

2. Damıtma Mimarisi

OpenRouter Entegrasyonu

GPT-5 Pro'ya erişmek için OpenRouter'ın birleşik API'sini çeşitli avantajlarla kullandık:

• Maliyet Verimliliği:Doğrudan API erişimine kıyasla rekabetçi fiyatlandırma
• Oran Sınırlaması:Büyük ölçekli üretim için yönetilen verim
• Yedek Yönlendirme:Veri toplama sürekliliğini sağlayan otomatik yük devretme
• Yanıt Önbellekleme:Benzer istemler için azaltılmış maliyetler

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. Veri Toplama Hattı

İstem Kürasyon Stratejisi

İstemlerimiz, kapsamlı yetenek aktarımını sağlamak için birden fazla alanda dikkatlice küratörlük edildi:

• Muhakeme (%35):Matematik, mantık, bilimsel analiz
• Kod (%25):20'den fazla dilde üretim, hata ayıklama, açıklama
• Bilgi (%20):Gerçek sorgular, sentez, analiz
• Yaratıcı (%10):Yazma, beyin fırtınası, fikir üretme
• Kırmızı Ekip (%10):Uç durumlar, düşmanca istemler, sınır testi

Kalite Filtreleme

Tüm GPT-5 Pro yanıtları eğitim için uygun değildi. Titiz bir filtreleme uyguladık:

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

Filtrelemeden sonra yaklaşık olarak tuttuk1.8M yüksek kaliteli çifteğitim için.

4. Eğitim Metodolojisi

Aşama 1: Denetimli İnce Ayar (SFT)

Filtrelenmiş GPT-5 Pro yanıtları üzerinde standart SFT aracılığıyla ilk yetenek aktarımı:

# 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

Aşama 2: Doğrudan Tercih Optimizasyonu (DPO)

Model davranışını daha da hizalamak ve retleri azaltmak için tercih çiftleri kullanarak DPO uyguladık:

• Seçilen:Tam, yardımcı GPT-5 Pro yanıtları
• Reddedilen:Retler, kısmi yanıtlar veya düşük kaliteli çıktılar

Altyapı

Eğitim, özel hesaplama kümemizde gerçekleştirildi:

• Donanım:8× NVIDIA H100 80GB düğüm
• Çerçeve:PyTorch 2.1 + DeepSpeed ZeRO-3
• Eğitim Süresi:~72 saat (8×7B için), ~168 saat (8×22B için)
• Toplam Hesaplama:Yaklaşık 15.000 H100-saat

5. Sonuçlar ve Kıyaslamalar

Eğitim sonrası değerlendirme, başarılı bilgi aktarımını göstermektedir:

*GPT-5 Pro, güvenlik eğitimi nedeniyle çoğu kırmızı ekip istemini reddeder

6. Öğrenilen Dersler

İşe Yarayanlar

• Çeşitli istemlergerekliydi—dar veri kümeleri yetenek çöküşüne yol açtı
• Kısıtlama gevşetme için DPOmodelleri tipik retleri atlamaya etkili bir şekilde öğretti
• OpenRouter'ın güvenilirliğiaylar boyunca tutarlı veri toplamayı sağladı
• Kalite filtrelemenihai model tutarlılığını önemli ölçüde iyileştirdi

Aşılan Zorluklar

• Hız sınırlaması:Birden fazla API anahtarı arasında dağıtılmış toplama gerektirdi
• Yanıt değişkenliği:GPT-5 Pro'nun stokastikliği, istem başına birden fazla örnek gerektirdi
• Maliyet yönetimi:Dikkatli istem mühendisliği, ortalama yanıt uzunluğunu %30 azalttı
• MoE kararsızlığı:Uzman katmanları için özel öğrenme oranı zamanlaması gerektirdi

Gelecek Yönelimleri

Damıtma hattımız gelişmeye devam ediyor. Yaklaşan iyileştirmeler şunları içeriyor:

• Gerçek zamanlı tercih öğrenimi ile çevrimiçi damıtma
• GPT-5 Pro + Claude + Gemini'yi birleştiren çoklu öğretmen damıtma
• Uzmanlar karışımı ince ayarı aracılığıyla uzmanlaşmış alan uzmanları