Add 'Deepseek-R1: Explicado de Forma Simples'

2025-02-03 00:31:05 +01:00
parent 87f74ad6ad
commit d80e22cf88
1 changed files with 42 additions and 0 deletions
@@ -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 para que as vozes na minha cabeça se acalmem um pouco. Curiosidade mata gato mas excita o pesquisador. Esse é o resultado deste esforço.<br>
 <br>A primeira coisa importante a notar é que o DeepSeek-R1 está sob a licença MIT, e que pode ser [encontrado](http://cepaantoniogala.es) 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. 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 modelos<br>
 <br>Achei o máximo escrever modelos antigos e tradicionais para uma tecnologia de 4 anos, no máximo.<br>
 <br>O R1 quase derrubou an internet por, supostamente, [ter sido](http://kasinn.com) 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 por eles que foi descaradamente explicitado em vários artigos abertos. Me [interessa](https://grupohumanes.es) porque eu tenho falado para os meus alunos que o próximo salto evolutivo da humanidade será devido a Support Learning. Então, talvez, só talvez, a  me deixe mentir sozinho.<br>
 <br>Uma das inovações do DeepSeek-R1 é a adoção da Group Robust Preference Optimization (GRPO), [introduzida](https://aurorahousings.com) 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 de políticas, como o Proximal Policy Optimization (PPO), [apresentado](https://eq-ccqqfar.usac.edu.gt) por Schulman et al. em Proximal Policy Optimization Algorithms. Simplificando, a GRPO permite que o [modelo aprenda](http://182.92.169.2223000) de forma mais eficaz comparando seu desempenho com o de outros modelos em um grupo, otimizando suas [ações](https://git.developer.shopreme.com) 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.<br>
 <br>Além da GRPO, o DeepSeek-R1 incorpora a Multi-head Latent [Attention](https://10xhire.io) (MLA), uma técnica introduzida 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 de linguagem com atenção multi-cabeça. Em termos simples podemos dizer que a MLA melhora a eficiência do modelo ao simplificar a maneira como ele processa as informações. Ela [projeta](https://rainflorist.com.au) as matrizes Key-Query-Value (KQV) em um espaço [latente](https://mahoraize.wpxblog.jp) de menor dimensão, reduzindo a complexidade computacional e [melhorando](https://larsakeaberg.se) 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](http://formulario.siteprofissional.com) 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.<br>
 <br>Algumas das mudanças realizadas [pela equipe](https://kingaed.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:<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 computacionais substanciais enquanto preserva a qualidade do modelo. Esta ativação seletiva é particularmente vantajosa para escalar os parâmetros do modelo sem aumentar proporcionalmente os custos computacionais.<br>
 <br>A função gate de seleção de [especialistas é](https://ec2-54-225-187-240.compute-1.amazonaws.com) governada por uma [função](http://47.122.66.12910300) de porta $G( x)$ que direciona tokens $x$ para especialistas $E_k$, [definida](http://sodec-env.com) como:<br>
 <br>Cada token é então processado pelos especialistas selecionados, [agregados](https://contrat-lapenseesauvage.org) como:<br>
 <br>Uma perda de balanceamento de carga é adicionada para encorajar utilização igual dos especialistas, reduzindo gargalos [computacionais](https://www.jomowa.com).<br>
 <br>Vamos ver um exemplo simplificado de como o MoE funciona na prática. Imagine que temos:<br>
 <br>- 3 [especialistas](https://www.tri-tri.com.ua) ($ 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 1 ($ E_1$): 70% de ativação.
 [- Especialista](https://www.hetoostentechniek.nl) 2 ($ E_2$): 20% de ativação.
 - Especialista 3 ($ E_3$): 10% de ativação<br>
 <br>Agora, suponha que cada especialista processe o token e produza um vetor de características:<br>
 <br>A saída final será a soma ponderada desses vetores, usando os pesos da função gate:<br>
 <br>Agora, envision que [após processar](http://bememu.ru) vários tokens, notamos que o Especialista 1 está sendo usado 80% do pace. Aqui é onde a perda de balanceamento entra em ação:<br>
 <br>Para $K = 3$ especialistas, a frequência ideal é $ frac 1 K =  frac 1 3  approx 0.33$<br>
 <br>Calculando a perda de balanceamento para este caso (com $ alpha = 1$):<br>
 <br>Este valor alto de $L _ balance $ indica um [desequilíbrio significativo](http://hisong7.cafe24.com) na utilização dos especialistas, e o modelo será [penalizado](https://socialsnug.net) por  [akropolistravel.com](http://akropolistravel.com/modules.php?name=Your_Account&op=userinfo&username=AlvinMackl) isso durante o treinamento, [incentivando-o](http://revoltex.ma) a desenvolver uma distribuição mais equilibrada nas próximas iterações.<br>
 <br>O MoE funciona essencialmente como um sistema de distribuição de [tráfego](http://tarnowskiegory.omega-kancelaria.pl) inteligente, onde o "roteador" (chamado de função de gate ou porta) choose qual especialista ou combinação de especialistas deve processar cada token de entrada. Este roteamento é feito de forma dinâmica e aprendida, não através de regras fixas.<br>
 <br>Para entender melhor, podemos fazer uma analogia com um health center: Imagine um grande hospital com vários médicos especialistas. Quando um paciente chega, comparable 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](https://barobjects.com). 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](http://www.libertinades.com) que:<br>
 <br>1. Recebe um token de entrada $x$.
 2. Avalia suas 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 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 health center:<br>
 <br>Imagine que em um healthcare facility, alguns médicos especialistas começam a receber muito mais pacientes que outros. Por exemplo, um [cardiologista está](https://toyocho.brain.golf) 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