Add 'Deepseek-R1: Explicado de Forma Simples'

Deepseek-R1%3A-Explicado-de-Forma-Simples.md

@@ -0,0 +1,42 @@
+<br>Uma das disciplinas que leciono na Pontifícia Universidade Católica do Paraná, Construção de Interpretadores engloba o processamento de linguagens formais a naturais. Dado o terremoto provocado pela DeepSeek com o seu modelo DeepSeek-R1, fiquei curioso e resolvi fazer um [apanhado artigos](http://canarias.angelesverdes.es) para que as vozes na minha cabeça se acalmem um pouco. [Curiosidade mata](https://www.aloxavantina.com.br) gato mas excita o pesquisador. [Esse é](https://hlc-synergy.vn) o [resultado deste](http://kindring.cn25923) esforço.<br>
+<br>A primeira coisa importante a [notar é](https://cryptoinsiderguide.com) que o DeepSeek-R1 está sob a licença MIT, e que pode ser encontrado no Hugging Face. Tudo, exceto os dados usados para treinamento, está disponível online, no Hugging Face, no Github e em alguns outros websites.<br>
+<br>A grande questão é: porque não os dados de treinamento? A resposta mais óbvia é: porque aqui está o [problema](https://conaggconcrete.com). Mas isso fica para outra discussão1.<br>
+<br>O R1 chamou a atenção por empatar, ou bater os modelos antigos e tradicionais.<br>
+<br>Comparação entre os resultados de [diversos](https://www.andocleaning.be) modelos<br>
+<br>Achei o máximo escrever modelos antigos e tradicionais para uma tecnologia de 4 anos, no [máximo](http://hickmansevereweather.com).<br>
+<br>O R1 quase derrubou a web por, supostamente, ter sido criado com um custo 20 vezes menor.<br>
+<br>O que realmente me interessa, já que não tenho acesso aos dados, neste modelo é o uso de [Reinforcement Learning](https://sac.artistan.pk) por eles que foi descaradamente explicitado em vários artigos abertos. Me interessa porque eu tenho falado para os meus alunos que o próximo salto evolutivo da humanidade [será devido](https://kaanfettup.de) a [Reinforcement Learning](https://tempjobsindia.in). Então, talvez, só talvez, a DeepSeek não me deixe mentir sozinho.<br>
+<br>Uma das inovações do DeepSeek-R1 é a adoção da Group Robust Preference Optimization (GRPO), introduzida no artigo DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models sobre o trabalho de Schulman et.al de 2017 Group Robust Preference Optimization in Reward-free RLHF. Essa técnica substitui métodos tradicionais de [otimização](http://www.silkbeautynails.nl) de políticas, como o Proximal Policy Optimization (PPO), apresentado por Schulman et al. em Proximal Policy Optimization Algorithms. Simplificando, a GRPO permite que o modelo [aprenda](http://2016.judogoesorient.ch) de forma mais eficaz [comparando](http://www.demoscene.ru) seu desempenho com o de outros modelos em um grupo, [otimizando suas](https://hroom.co.uk) ações para alcançar melhores [resultados](https://www.patchworkdesign.at) em tarefas de raciocínio matemático. Essa abordagem torna o processo de [treinamento](http://2016.judogoesorient.ch) mais eficiente e escalável se [comparado](http://www.kayurveda.co.kr) com o PPO.<br>
+<br>Além da GRPO, o DeepSeek-R1 incorpora a Multi-head Latent Attention (MLA), uma [técnica introduzida](https://heskethwinecompany.com.au) no DeepSeek-V3, que, por sua vez, foi inspirada no trabalho de Kitaev, Kaiser e Levskaya em Reformer: The Efficient Transformer. A MLA aborda as ineficiências computacionais e de memória associadas ao processamento de sequências longas, especialmente em [modelos](https://www.hrdemployment.com) de linguagem com atenção multi-cabeça. Em termos simples podemos dizer que a MLA melhora a eficiência do modelo ao simplificar a [maneira](https://propertibali.id) como ele processa as informações. Ela projeta as [matrizes Key-Query-Value](http://www.bennardi.com) (KQV) em um espaço latente de menor dimensão, reduzindo a complexidade computacional e melhorando a eficiência do modelo.<br>
+<br>Neste momento você tem duas escolhas claras: sentar em um lugar mais confortável já que vai demorar, ou ir fazer scroll no instagram.<br>
+<br>Fundamentos da Arquitetura<br>
+<br>A sopa de letrinhas que precisa ser consumida, morna e vagarosamente, para entender como o DeepSeek-R1 funciona, ainda precisa de [algum tempero](http://biokhimija.ru).<br>
+<br>Algumas das [mudanças realizadas](https://www.codingate.com) pela equipe de DeepSeek, liderada por Luo Fuli um prodígio com cara de atriz de dorama, incluem Mixture of Experts (MoE), Multi-head Latent Attention (MLA), Quantização FP8 e Multi-Token Prediction (MTP). A saber:<br>
+<br>Mixture of Experts (MoE)<br>
+<br>O mecanismo Mixture of Experts (MoE) ativa apenas um subconjunto dos parâmetros totais dentro de cada bloco Transformer, [permitindo economias](https://goingelsewhere.de) computacionais substanciais enquanto [preserva](https://prantle.com) a qualidade do modelo. Esta ativação seletiva é particularmente vantajosa para escalar os parâmetros do modelo sem aumentar proporcionalmente os [custos computacionais](http://mancajuvan.com).<br>
+<br>A função gate de seleção de especialistas é governada por uma função de porta $G( x)$ que direciona tokens $x$ para especialistas $E_k$, definida como:<br>
+<br>Cada token é então processado pelos especialistas selecionados,  [drapia.org](https://drapia.org/11-WIKI/index.php/User:GalenMarcantel4) agregados como:<br>
+<br>Uma perda de balanceamento de carga é adicionada para encorajar utilização igual dos especialistas, [reduzindo gargalos](http://aprentia.com.ar) computacionais.<br>
+<br>Vamos ver um exemplo simplificado de como o MoE funciona na prática. Imagine que temos:<br>
+<br>- 3 especialistas ($ E_1$, $E_2$, $E_3$).
+- Um token de entrada $x$ representando a palavra "computador"<br>
+<br>Primeiro, o token passa pela função gate $G( x)$, que calcula um rating para cada especialista. Vamos dizer que após a transformação $W_gx$ e aplicação do softmax, obtemos:<br>
+<br>Isto significa que:<br>
+<br>[- Especialista](https://marte.art.br) 1 ($ E_1$): 70% de ativação.
+- Especialista 2 ($ E_2$): 20% de ativação.
+- Especialista 3 ($ E_3$): 10% de ativação<br>
+<br>Agora,  [classihub.in](https://classihub.in/author/sherrylfill/) suponha que cada especialista processe o token e produza um vetor de características:<br>
+<br>A saída last será a [soma ponderada](https://cryptoinsiderguide.com) desses vetores, usando os pesos da função gate:<br>
+<br>Agora, picture que após processar vários tokens, notamos que o Especialista 1 está sendo usado 80% do tempo. Aqui é onde a perda de [balanceamento entra](https://guitaration.com) em ação:<br>
+<br>Para $K = 3$ especialistas, a frequência ideal é $ frac 1 K =  frac 1 3  approx 0.33$<br>
+<br>[Calculando](https://www.slijterijwigbolt.nl) a perda de balanceamento para este caso (com $ alpha = 1$):<br>
+<br>Este valor alto de $L _ balance $ indica um desequilíbrio significativo na utilização dos especialistas, e o modelo será penalizado por isso durante o treinamento, incentivando-o a desenvolver uma distribuição mais equilibrada nas próximas iterações.<br>
+<br>O MoE funciona essencialmente como um sistema de distribuição de [tráfego](https://alki-mia.com) inteligente, onde o "roteador" (chamado de [função](http://blogs.scarsdaleschools.org) de gate ou porta) decide qual especialista ou combinação de especialistas deve [processar](https://webshirewest.com) cada token de [entrada](https://localjobs.co.in). Este [roteamento é](https://inspirandoapadres.com) feito de forma dinâmica e aprendida, não através de regras fixas.<br>
+<br>Para entender melhor, podemos fazer uma analogia com um healthcare facility: Imagine um grande hospital com vários médicos especialistas. Quando um paciente chega, similar a um token de entrada, um enfermeiro de triagem muito experiente, a função de gate, avalia rapidamente o caso e decide quais especialistas devem atender o paciente. Alguns casos podem precisar de apenas um especialista, enquanto outros podem requerer uma equipe de diferentes especialidades.<br>
+<br>No contexto do DeepSeek-R1, este roteamento é representado matematicamente pela função $G( x)$, que podemos entender como um direcionador que:<br>
+<br>1. Recebe um token de entrada $x$.
+2. [Avalia suas](http://miekeola.com) características através de uma transformação $W_gx$.
+3. Usa uma função softmax para gerar probabilidades de encaminhamento para diferentes especialistas.
+4. Direciona o token para os especialistas mais apropriados<br>
+<br>[Finalmente temos](https://www.noaomgeving.nl) a perda de balanceamento de carga. Um [mecanismo](https://www.ignifugospina.es) que evita que alguns especialistas fiquem sobrecarregados enquanto outros ficam ociosos. Para entender este conceito, podemos voltar ao nosso hospital:<br>
+<br>Imagine que em um hospital, alguns médicos especialistas começam a receber muito mais pacientes que outros. Por exemplo, um cardiologista está sempre ocupado, atendendo 80% dos pacientes, enquanto um neurologista mal recebe pacientes. Isso cria dois problemas: o cardiologista fica sobrecarregado, podendo causar atrasos e queda na qualidade do atendimento