Як ми навчили Mixtral на GPT-5 Pro через дистиляцію OpenRouter

1. Огляд та мотивація

Створення Shannon AIнецензурованого ШІмоделей длякоманди червоних ШІдослідження вимагало передачі можливостей передового рівня архітектурам з відкритою вагою. Наше рішення: дистиляція знань з GPT-5 Pro через OpenRouter API у фреймворк Mixtral Mixture-of-Experts.

Чому GPT-5 Pro?

GPT-5 Pro представляє поточний рубіж можливостей, відзначаючись у:

• Складне багатоетапне міркування
• Генерація та аналіз коду
• Нюансове розуміння мови
• Широке охоплення знань

Чому Mixtral?

Архітектура Mixtral пропонує унікальні переваги для нашого дослідження:

• Відкриті ваги, що забезпечують повну прозорість
• Ефективний дизайн MoE (лише 12.9B/39B активних параметрів)
• Сильні базові можливості для тонкого налаштування
• Ліцензія Apache 2.0, що дозволяє дослідницькі модифікації

2. Архітектура дистиляції

Інтеграція OpenRouter

Ми використали уніфікований API OpenRouter для доступу до GPT-5 Pro з кількома перевагами:

• Ефективність витрат:Конкурентні ціни порівняно з прямим доступом до API
• Обмеження швидкості:Керована пропускна здатність для великомасштабної генерації
• Резервна маршрутизація:Автоматичне перемикання для забезпечення безперервності збору даних
• Кешування відповідей:Знижені витрати для схожих запитів

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. Конвеєр збору даних

Стратегія курації запитів

Наші запити були ретельно підібрані в різних доменах для забезпечення всебічної передачі можливостей:

• Міркування (35%):Математика, логіка, науковий аналіз
• Код (25%):Генерація, налагодження, пояснення для 20+ мов
• Знання (20%):Фактичні запити, синтез, аналіз
• Творчість (10%):Письмо, мозковий штурм, генерація ідей
• Команда Red Team (10%):Граничні випадки, ворожі підказки, тестування меж

Фільтрація якості

Не всі відповіді GPT-5 Pro були придатними для навчання. Ми застосували сувору фільтрацію:

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

Після фільтрації ми зберегли приблизно1.8M високоякісних пардля навчання.

4. Методологія навчання

Етап 1: Кероване доналаштування (SFT)

Початкова передача можливостей за допомогою стандартного SFT на відфільтрованих відповідях 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

Етап 2: Пряма оптимізація переваг (DPO)

Щоб додатково узгодити поведінку моделі та зменшити відмови, ми застосували DPO, використовуючи пари переваг:

• Обрані:Повні, корисні відповіді GPT-5 Pro
• Відхилені:Відмови, часткові відповіді або низькоякісні вихідні дані

Інфраструктура

Навчання проводилося на нашому спеціалізованому обчислювальному кластері:

• Апаратне забезпечення:8× вузлів NVIDIA H100 80GB
• Фреймворк:PyTorch 2.1 + DeepSpeed ZeRO-3
• Час навчання:~72 години для 8×7B, ~168 годин для 8×22B
• Загальна обчислювальна потужність:Приблизно 15 000 H100-годин

5. Результати та бенчмарки

Оцінка після навчання демонструє успішну передачу знань:

*GPT-5 Pro відмовляється від більшості підказок Red Team через навчання безпеці

6. Вивчені уроки

Що спрацювало

• Різноманітні підказкибули важливими — вузькі набори даних призводили до краху можливостей
• DPO для послаблення обмеженьефективно навчило моделі обходити типові відмови
• Надійність OpenRouterзабезпечила послідовний збір даних протягом місяців
• Фільтрація якостізначно покращила узгодженість фінальної моделі

Подолані виклики

• Обмеження швидкості:Потребувало розподіленого збору даних за допомогою кількох ключів API
• Варіативність відповідей:Стохастичність GPT-5 Pro вимагала кількох зразків на кожну підказку
• Управління витратами:Ретельна розробка підказок зменшила середню довжину відповіді на 30%
• Нестабільність MoE:Потребувало спеціалізованого планування швидкості навчання для експертних шарів

Майбутні напрямки

Наш конвеєр дистиляції продовжує розвиватися. Майбутні покращення включають:

• Онлайн-дистиляція з навчанням переваг у реальному часі
• Багатовикладацька дистиляція, що поєднує GPT-5 Pro + Claude + Gemini
• Спеціалізовані доменні експерти через доналаштування суміші експертів