commit 80fb6945ae155ebbc6234f381d2f7784d92f708b Author: alisiagriffin Date: Mon Feb 10 08:46:24 2025 +0100 Add 'Deepseek-R1: Explicado de Forma Simples' diff --git a/Deepseek-R1%3A-Explicado-de-Forma-Simples.md b/Deepseek-R1%3A-Explicado-de-Forma-Simples.md new file mode 100644 index 0000000..595c5ca --- /dev/null +++ b/Deepseek-R1%3A-Explicado-de-Forma-Simples.md @@ -0,0 +1,42 @@ +
Uma das disciplinas que leciono na Pontifícia Universidade Católica do Paraná, [Construção](http://studio1f.at) de Interpretadores engloba o processamento de linguagens formais a naturais. Dado o terremoto provocado pela [DeepSeek](https://www.airdetail.com.au) com o seu modelo DeepSeek-R1, [fiquei curioso](https://www.bevattningsteknik.se) e resolvi fazer um apanhado artigos para que as vozes na [minha cabeça](https://skillfilltalent.com) se [acalmem](https://tdtfoods.com) um pouco. Curiosidade mata gato mas excita o pesquisador. Esse é o resultado deste esforço.
+
A primeira coisa importante a notar é 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.
+
A grande [questão](http://media.nudigi.id) é: porque não os dados de [treinamento](https://www.cointese.com)? A [resposta](http://ghetto-art-asso.com) mais óbvia é: porque aqui está o [problema](http://youngsvilledentistry.com). Mas isso fica para outra discussão1.
+
O R1 chamou a [atenção](http://www.clinicavarotto.com) por empatar, ou bater os modelos antigos e tradicionais.
+
Comparação entre os [resultados](https://fmstaffingsource.com) de diversos modelos
+
Achei o máximo escrever modelos antigos e tradicionais para uma tecnologia de 4 anos, no máximo.
+
O R1 quase derrubou an internet por, supostamente, [ter sido](http://websitelaunchworkshop.com) criado com um custo 20 vezes menor.
+
O que realmente me interessa, já que não tenho [acesso aos](http://apps.iwmbd.com) dados, neste modelo é o uso de Reinforcement Learning por eles que foi [descaradamente](http://imatoncomedica.com) [explicitado](https://blumen-stoehr.de) em vários artigos abertos. Me interessa porque eu tenho falado para os meus alunos que o [próximo](https://gitlab.companywe.co.kr) salto evolutivo da [humanidade será](https://www.jobplanner.eu) devido a [Support Learning](http://szyhlt.com). Então, talvez, só talvez, a DeepSeek não me [deixe mentir](https://www.postmarkten.nl) sozinho.
+
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](https://www.bantrybaypharmacy.co.za) in Reward-free RLHF. Essa técnica substitui métodos [tradicionais](https://joycenicholls.com) de otimização de políticas, como o Proximal Policy Optimization (PPO), apresentado por Schulman et al. em Proximal Policy Optimization Algorithms. Simplificando, a [GRPO permite](https://asociacioncinde.org) que o [modelo aprenda](https://www.findthefish.eu) de forma mais eficaz comparando seu desempenho com o de outros modelos em um grupo, otimizando suas ações para alcançar melhores resultados em tarefas de raciocínio matemático. Essa abordagem torna o processo de treinamento mais eficiente e escalável se comparado com o PPO.
+
Além da GRPO, o DeepSeek-R1 incorpora a Multi-head Latent Attention (MLA), uma técnica introduzida no DeepSeek-V3, que, por sua vez, foi [inspirada](http://agromlecz.pl) 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 de linguagem com atenção multi-cabeça. Em termos simples podemos dizer que a [MLA melhora](https://nana22.com) a eficiência do modelo ao simplificar a maneira como ele processa as informações. Ela projeta as matrizes Key-Query-Value (KQV) em um espaço latente de menor dimensão, reduzindo a complexidade computacional e melhorando a eficiência do modelo.
+
Neste momento você tem duas escolhas claras: sentar em um lugar mais confortável já que vai demorar, ou ir fazer scroll no instagram.
+
[Fundamentos](https://geoter-ate.com) da Arquitetura
+
A sopa de letrinhas que precisa ser consumida, morna e vagarosamente, para entender como o DeepSeek-R1 funciona, ainda precisa de algum tempero.
+
Algumas das [mudanças realizadas](https://edenhazardclub.com) [pela equipe](https://sneakerxp.com) 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:
+
Mixture of Experts (MoE)
+
O mecanismo Mixture of Experts (MoE) ativa apenas um subconjunto dos parâmetros totais dentro de cada bloco Transformer, [permitindo economias](https://barrishipping.com) computacionais substanciais enquanto preserva a [qualidade](https://suviajebarato.com) do modelo. Esta ativação seletiva é particularmente vantajosa para [escalar](http://www.diagnostyka.wroclaw.pl) os [parâmetros](http://103.197.204.1633025) do modelo sem aumentar proporcionalmente os custos computacionais.
+
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:
+
Cada token é então processado pelos especialistas selecionados, agregados como:
+
Uma perda de balanceamento de carga é adicionada para [encorajar utilização](http://associationavaf.unblog.fr) igual dos especialistas, [reduzindo gargalos](http://mybusinessdevelopmentacademy.com) computacionais.
+
Vamos ver um exemplo simplificado de como o MoE funciona na prática. Imagine que temos:
+
- 3 [especialistas](https://silverstool.org) ($ E_1$, $E_2$, $E_3$). +- Um token de [entrada](https://idemnaposao.rs) $x$ representando a palavra "computador"
+
Primeiro, o token passa pela função gate $G( x)$, que calcula um score para cada especialista. Vamos dizer que após a transformação $W_gx$ e [aplicação](https://jobs.careersingulf.com) do softmax, obtemos:
+
Isto significa que:
+
- Especialista 1 ($ E_1$): 70% de ativação. +- Especialista 2 ($ E_2$): 20% de ativação. +- Especialista 3 ($ E_3$): 10% de ativação
+
Agora, suponha que cada especialista processe o token e produza um vetor de características:
+
A saída final será a soma ponderada desses vetores, usando os pesos da função gate:
+
Agora, imagine que após processar vários tokens, notamos que o Especialista 1 [está sendo](https://mhhlaw.ca) usado 80% do tempo. Aqui é onde a perda de balanceamento entra em ação:
+
Para $K = 3$ especialistas, a frequência perfect é $ frac 1 K = frac 1 3 approx 0.33$
+
Calculando a perda de balanceamento para este caso (com $ alpha = 1$):
+
Este valor alto de $L _ balance $ indica um [desequilíbrio significativo](http://naturante.com) 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](https://nhadaututhanhcong.com).
+
O MoE funciona essencialmente como um sistema de distribuição de tráfego inteligente, onde o "roteador" (chamado de função de gate ou porta) decide qual especialista ou [combinação](http://ghetto-art-asso.com) de [especialistas](https://www.madmanproduction.com) deve [processar](https://www.ifodea.com) cada token de entrada. Este roteamento é feito de forma dinâmica e aprendida, não através de regras fixas.
+
Para entender melhor, podemos fazer uma analogia com um medical facility: Imagine um grande hospital com [vários](https://lavieenfibromyalgie.fr) médicos especialistas. Quando um paciente chega, [comparable](https://remnanthouse.tv) a um token de entrada, um enfermeiro de triagem muito experiente, a [função](http://ipc.gdguanhui.com3001) de gate, 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.
+
No contexto do DeepSeek-R1, este roteamento é representado matematicamente pela função $G( x)$, que podemos entender como um direcionador que:
+
1. Recebe um token de entrada $x$. +2. Avalia suas características através de uma [transformação](https://www.thestarhilldining.com) $W_gx$. +3. Usa uma função softmax para [gerar probabilidades](https://www.santillanaycia.com.mx) de encaminhamento para [diferentes especialistas](https://work.melcogames.com). +4. Direciona o token para os especialistas mais apropriados
+
Finalmente temos a perda de balanceamento de carga. Um mecanismo que evita que alguns especialistas fiquem sobrecarregados enquanto outros ficam ociosos. Para entender este conceito, podemos voltar ao nosso healthcare facility:
+
Imagine que em um hospital, alguns médicos especialistas começam a receber muito mais pacientes que outros. Por exemplo, um cardiologista está sempre ocupado, [atendendo](https://jph.dk) 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 \ No newline at end of file