Mixtralni GPT-5 Proda OpenRouter Distillatsiyasi orqali qanday o'qitdik

1. Umumiy ko'rinish va Motivatsiya

Shannon AI'ni qurishsenzurasiz AIuchun modellarAI qizil jamoasitadqiqot chegaraviy darajadagi imkoniyatlarni ochiq vaznli arxitekturalarga o'tkazishni talab qildi. Bizning yechimimiz: GPT-5 Pro'dan OpenRouter API orqali bilimlarni Mixtral'ning Ekspertlar aralashmasi (Mixture-of-Experts) doirasiga distillatsiya qilish.

Nima uchun GPT-5 Pro?

GPT-5 Pro hozirgi imkoniyatlar chegarasini ifodalaydi, quyidagilarda ustunlik qiladi:

• Murakkab ko'p bosqichli fikrlash
• Kod yaratish va tahlil qilish
• Nozik tilni tushunish
• Keng bilim qamrovi

Nima uchun Mixtral?

Mixtral arxitekturasi tadqiqotimiz uchun noyob afzalliklarni taqdim etadi:

• To'liq shaffoflikni ta'minlovchi ochiq vaznlar
• Samarali MoE dizayni (faqat 12.9B/39B faol parametrlar)
• Nozik sozlash uchun kuchli boshlang'ich imkoniyatlar
• Tadqiqot modifikatsiyalariga ruxsat beruvchi Apache 2.0 litsenziyasi

2. Distillatsiya Arxitekturasi

OpenRouter Integratsiyasi

Biz GPT-5 Pro'ga kirish uchun OpenRouter'ning yagona API'sidan bir qancha afzalliklar bilan foydalandik:

• Xarajat samaradorligi:To'g'ridan-to'g'ri API kirishiga nisbatan raqobatbardosh narxlar
• So'rovlar cheklovi:Katta hajmli generatsiya uchun boshqariladigan o'tkazuvchanlik
• Zaxira yo'naltirish:Ma'lumotlar yig'ish uzluksizligini ta'minlovchi avtomatik nosozlikdan himoya
• Javoblarni keshga olish:O'xshash so'rovlar uchun kamaytirilgan xarajatlar

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. Ma'lumotlar yig'ish quvuri

So'rovlarni tanlash strategiyasi

Bizning so'rovlarimiz keng qamrovli imkoniyatlar o'tkazilishini ta'minlash uchun bir nechta domenlar bo'yicha sinchkovlik bilan tanlab olindi:

• Fikrlash (35%):Matematika, mantiq, ilmiy tahlil
• Kod (25%):20+ tilda generatsiya, disk raskadrovka, tushuntirish
• Bilim (20%):Faktik so'rovlar, sintez, tahlil
• Ijodiy (10%):Yozish, miya hujumi, gʻoyalar yaratish
• Qizil jamoa (10%):Chekka holatlar, raqib soʻrovlari, chegara sinovlari

Sifatni filtrlash

Barcha GPT-5 Pro javoblari oʻqitish uchun mos emas edi. Biz qatʼiy filtrlashni qoʻlladik:

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

Filtrlashdan soʻng, biz taxminan saqlab qoldik1.8M yuqori sifatli juftliklaroʻqitish uchun.

4. Oʻqitish metodologiyasi

1-bosqich: Nazorat ostidagi nozik sozlash (SFT)

Filtrlangan GPT-5 Pro javoblarida standart SFT orqali dastlabki imkoniyatlarni oʻtkazish:

# 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

2-bosqich: Toʻgʻridan-toʻgʻri afzallikni optimallashtirish (DPO)

Model xatti-harakatlarini yanada moslashtirish va rad etishlarni kamaytirish uchun biz afzallik juftliklaridan foydalanib DPO ni qoʻlladik:

• Tanlangan:Toʻliq, foydali GPT-5 Pro javoblari
• Rad etilgan:Rad etishlar, qisman javoblar yoki past sifatli natijalar

Infratuzilma

Oʻqitish bizning maxsus hisoblash klasterimizda oʻtkazildi:

• Uskuna:8× NVIDIA H100 80GB tugunlari
• Freyvork:PyTorch 2.1 + DeepSpeed ZeRO-3
• Oʻqitish vaqti:~72 soat 8×7B uchun, ~168 soat 8×22B uchun
• Umumiy hisoblash quvvati:Taxminan 15,000 H100-soat

5. Natijalar va mezonlar

Oʻqitishdan keyingi baholash bilimlarni muvaffaqiyatli oʻtkazishni koʻrsatadi:

*GPT-5 Pro xavfsizlik boʻyicha oʻqitish tufayli koʻpgina qizil jamoa soʻrovlarini rad etadi

6. Olingan saboqlar

Nima ish berdi

• Turli xil soʻrovlarmuhim edi — tor maʼlumotlar toʻplamlari imkoniyatlarning qulashiga olib keldi
• Cheklovlarni yumshatish uchun DPOmodellarga odatiy rad etishlarni chetlab oʻtishni samarali oʻrgatdi
• OpenRouter ning ishonchliligibir necha oy davomida barqaror maʼlumotlar yigʻish imkonini berdi
• Sifatni filtrlashyakuniy modelning izchilligini sezilarli darajada yaxshiladi

Yengib oʻtilgan qiyinchiliklar

• Tezlikni cheklash:Bir nechta API kalitlari boʻyicha taqsimlangan yigʻishni talab qildi
• Javob oʻzgaruvchanligi:GPT-5 Pro ning stoxastikligi har bir soʻrov uchun bir nechta namunalarni talab qildi
• Xarajatlarni boshqarish:Ehtiyotkorlik bilan soʻrov muhandisligi oʻrtacha javob uzunligini 30% ga qisqartirdi
• MoE beqarorligi:Ekspert qatlamlari uchun maxsus oʻrganish tezligi jadvalini talab qildi

Kelajakdagi yoʻnalishlar

Bizning distillash quvurimiz rivojlanishda davom etmoqda. Kelgusi yaxshilanishlar quyidagilarni oʻz ichiga oladi:

• Haqiqiy vaqt rejimida afzallikni oʻrganish bilan onlayn distillash
• GPT-5 Pro + Claude + Gemini ni birlashtirgan koʻp oʻqituvchili distillash
• Ekspertlar aralashmasini nozik sozlash orqali ixtisoslashgan domen ekspertlari