rollandsanchez/samiamreading
1
0
Code Issues Projects Wiki

Add 'Deepseek-R1: Explicado de Forma Simples'

Rolland Sanchez
2025-02-10 18:53:53 +01:00
commit 2614c4ef35
1 changed files with 42 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files
Deepseek-R1%3A-Explicado-de-Forma-Simples.md
+42
@@ -0,0 +1,42 @@
<br>Uma das disciplinas que leciono na Pontifícia Universidade Católica do Paraná, Construção de Interpretadores engloba o [processamento](https://stjohnsroad.com) 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](https://bioalpha.com.ar).<br>
<br>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.<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](https://twixxor.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 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](https://gitlab.tiemao.cloud) da humanidade será devido a Support Learning. 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](http://new-delhi.rackons.com) 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 por Schulman et al. em Proximal Policy Optimization Algorithms. Simplificando, a GRPO permite que o modelo aprenda 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](https://team.inria.fr). Essa abordagem torna o processo de treinamento mais eficiente e escalável se [comparado](https://lengan.vn) com o PPO.<br>
<br>Além da GRPO, o DeepSeek-R1 incorpora a [Multi-head Latent](https://dashrsports.com) Attention (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 as matrizes Key-Query-Value (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](https://awake-in.com) de algum tempero.<br>
<br>Algumas das mudanças realizadas 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](https://mh-data.com) 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](https://theideasbodega.com.au) os custos computacionais.<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, agregados como:<br>
<br>Uma perda de [balanceamento](http://annemarievanraaij.nl) de carga é adicionada para encorajar utilização igual dos especialistas, reduzindo gargalos 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](https://exponentiel.net) "computador"<br>
<br>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 do softmax, obtemos:<br>
<br>Isto significa que:<br>
<br>- Especialista 1 ($ E_1$): 70% de ativação.
- Especialista 2 ($ E_2$): 20% de ativação.
- Especialista 3 ($ E_3$): 10% de ativação<br>
<br>Agora, suponha que cada especialista processe o token e [produza](https://www.dharmakathayen.com) um vetor de características:<br>
<br>A saída final será a [soma ponderada](https://closer.fi) desses vetores, usando os pesos da função gate:<br>
<br>Agora, imagine que após processar 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 na utilização dos especialistas, e o modelo será penalizado por isso durante o treinamento, incentivando-o a desenvolver uma [distribuição](https://hamagroup.co.uk) mais equilibrada nas próximas iterações.<br>
<br>O MoE funciona essencialmente como um sistema de distribuição de tráfego inteligente, onde o "roteador" ([chamado](https://git.ides.club) 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](https://milliansburger.com.br) de regras fixas.<br>
<br>Para entender melhor, podemos fazer uma analogia com um healthcare facility: Imagine um [grande health](http://www.yildizmefrusat.com) center com vários médicos especialistas. Quando um paciente chega, comparable a um token de entrada, um enfermeiro de [triagem](http://120.24.186.633000) 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 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](https://www.hornoslatahona.com.mx) ociosos. Para entender este conceito, podemos voltar ao nosso health center:<br>
<br>Imagine que em um health center, alguns médicos especialistas começam a receber muito mais pacientes que outros. Por exemplo, um cardiologista está sempre ocupado, [atendendo](http://awalkintheweeds.com) 80% dos pacientes, enquanto um neurologista mal recebe pacientes. Isso cria dois problemas: o cardiologista fica sobrecarregado, [podendo causar](http://39.98.79.181) atrasos e queda na qualidade do atendimento