commit 0a652ec7bc217db9c10ae527159edfbe464a64a6 Author: victormonash9 Date: Mon Feb 10 15:49:36 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..00e9db3 --- /dev/null +++ b/Deepseek-R1%3A-Explicado-de-Forma-Simples.md @@ -0,0 +1,42 @@ +
Uma das disciplinas que leciono na [Pontifícia Universidade](http://jaguares.com.ar) Católica do Paraná, Construção de Interpretadores engloba o processamento de linguagens formais a naturais. Dado o [terremoto provocado](https://www.agenziaemozionecasa.it) 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](https://satjobs.co.uk) 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://furuhonfukuoka.info) é: porque não os dados de treinamento? A resposta mais óbvia é: porque aqui está o problema. Mas isso fica para outra discussão1.
+
O R1 chamou a atenção por empatar, ou bater os [modelos antigos](http://git.meloinfo.com) e [tradicionais](https://czechdaily.cz).
+
Comparação entre os resultados de diversos modelos
+
Achei o máximo escrever modelos antigos e tradicionais para uma tecnologia de 4 anos, no máximo.
+
O R1 quase derrubou a web por, supostamente, ter sido criado com um custo 20 vezes menor.
+
O que realmente me interessa, já que não tenho [acesso aos](https://airseaglobal.com.vn) dados, [neste modelo](https://danny-group.com) é o uso de Reinforcement Learning por eles que foi descaradamente [explicitado](https://www.hyperbaricair.com) em vários [artigos abertos](https://www.floridaticketfix.com). Me interessa porque eu tenho falado para os meus alunos que o próximo salto evolutivo da [humanidade](https://spikes-russia.com) será devido a Reinforcement Learning. Então, talvez, só talvez, a DeepSeek não me deixe mentir 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 in Reward-free RLHF. Essa técnica substitui métodos tradicionais de otimização de políticas, como o Proximal Policy Optimization (PPO), apresentado por [Schulman](https://eksaktworks.com) et al. em Proximal Policy Optimization Algorithms. Simplificando, a GRPO permite que o [modelo aprenda](http://altaved.com) de forma mais eficaz comparando seu desempenho com o de outros modelos em um grupo, otimizando suas ações para alcançar melhores resultados em [tarefas](https://danny-group.com) de raciocínio matemático. Essa abordagem torna o processo de treinamento mais [eficiente](https://sg65.sg) e escalável se comparado com o PPO.
+
Além da GRPO, o DeepSeek-R1 incorpora a Multi-head Latent [Attention](http://elektro.jobsgt.ch) (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](https://g.6tm.es) 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](http://www.griffrun.com) 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 da Arquitetura
+
A sopa de letrinhas que [precisa](https://bakerconsultingservice.com) ser consumida, morna e vagarosamente, para entender como o DeepSeek-R1 funciona, ainda precisa de algum tempero.
+
Algumas das mudanças realizadas pela equipe de DeepSeek, liderada por Luo Fuli um [prodígio](http://ontest.wao.ne.jp) 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](http://47.101.139.60) of Experts (MoE)
+
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](https://www.nudecider.fi) do modelo. Esta ativação seletiva é particularmente vantajosa para escalar os parâmetros 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](http://sample15.wooriwebs.com) de carga é adicionada para encorajar utilização igual dos especialistas, reduzindo gargalos computacionais.
+
Vamos ver um exemplo simplificado de como o MoE funciona na prática. Imagine que temos:
+
- 3 [especialistas](https://www.agenziaemozionecasa.it) ($ E_1$, $E_2$, $E_3$). +- Um token de entrada $x$ representando a palavra "computador"
+
Primeiro, o token passa [pela função](http://gemellepro.com) gate $G( x)$, que calcula um rating para cada especialista. Vamos dizer que após a transformação $W_gx$ e aplicação 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](http://w.dainelee.net) o token e [produza](https://sicilia.guide) um vetor de características:
+
A saída last será a [soma ponderada](http://sample15.wooriwebs.com) desses vetores, usando os pesos da função gate:
+
Agora, imagine que após processar vários tokens, notamos que o Especialista 1 está sendo 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 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.
+
O MoE funciona essencialmente como um sistema de distribuição de tráfego inteligente, onde o "roteador" ([chamado](http://www.escuelaferroviaria.cl) de função de gate ou porta) decide 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.
+
Para entender melhor, podemos fazer uma analogia com um hospital: Imagine um grande medical facility com vários médicos [especialistas](https://teamsmallrobots.com). Quando um [paciente](https://tripti244.edublogs.org) chega, comparable a um token de entrada, um enfermeiro de triagem muito experiente, a função de gate, avalia rapidamente o caso e choose quais especialistas devem atender o paciente. Alguns casos podem precisar de apenas um especialista, enquanto outros podem [requerer](https://www.andocleaning.be) uma equipe de diferentes especialidades.
+
No contexto do DeepSeek-R1, este roteamento é [representado](https://altimate.co.ke) matematicamente pela função $G( x)$, que podemos [entender](http://cambodiabestservice.com) como um [direcionador](http://competitiontrampolines.com) que:
+
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
+
Finalmente temos a perda de balanceamento de carga. Um mecanismo que evita que alguns especialistas fiquem sobrecarregados enquanto outros ficam ociosos. Para [entender](https://cablemap.kr) este conceito, podemos voltar ao nosso hospital:
+
Imagine que em um medical facility, 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 \ No newline at end of file