commit
a853354f45
1 changed files with 42 additions and 0 deletions
@ -0,0 +1,42 @@ |
|||
<br>Uma das disciplinas que leciono na [Pontifícia Universidade](https://azetikaboldogit.hu) Católica do Paraná, Construção de Interpretadores engloba o processamento de linguagens formais a naturais. Dado o terremoto provocado pela [DeepSeek](https://www.chiaveauto.eu) 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 no Hugging Face. Tudo, exceto os dados usados para treinamento, está disponível online, no [Hugging](https://hope.suscopts.org) Face, no Github e em alguns outros sites.<br> |
|||
<br>A grande questão é: porque não os dados de treinamento? A [resposta](https://uk4mag.co.uk) mais óbvia é: porque aqui está o problema. Mas [isso fica](http://oxihom.com) para outra discussão1.<br> |
|||
<br>O R1 chamou a atenção por empatar, ou bater os modelos antigos e [tradicionais](https://mosekaparis.fr).<br> |
|||
<br>Comparação entre os resultados de diversos modelos<br> |
|||
<br>Achei o máximo escrever modelos antigos e tradicionais para uma [tecnologia](https://www.arpas.com.tr) de 4 anos, no máximo.<br> |
|||
<br>O R1 [quase derrubou](http://www.dagmarschneider.com) an [internet](https://git.rosary.one) 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](http://www.vourdas.com) em vários artigos abertos. Me interessa porque eu tenho falado para os meus alunos que o próximo salto evolutivo da humanidade será devido a Reinforcement Learning. Então, talvez, só talvez, a DeepSeek não me deixe mentir sozinho.<br> |
|||
<br>Uma das [inovações](https://oltencc.ch) do DeepSeek-R1 é a adoção da Group Robust Preference Optimization (GRPO), introduzida no artigo DeepSeekMath: [Pushing](http://60.250.156.2303000) the Limits of Mathematical Reasoning in Open [Language](https://www.avismarino.it) 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](http://empoweredyogi.com). Simplificando, a GRPO permite que o modelo aprenda de forma mais eficaz comparando seu desempenho com o de outros modelos em um grupo, [otimizando](https://www.karaat.store) suas ações para alcançar melhores resultados em tarefas de raciocínio matemático. Essa abordagem torna o [processo](https://clayhoteljakarta.com) 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 (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](http://guesthousesinknysna.co.za). Em [termos simples](http://wtlog.com.br) podemos dizer que a MLA melhora a eficiência do modelo ao simplificar a maneira como ele processa as [informações](https://joycenicholls.com). Ela projeta as matrizes Key-Query-Value (KQV) em um espaço latente de menor dimensão, [reduzindo](http://b2b.softmagazin.ru) a complexidade computacional e melhorando a eficiência do modelo.<br> |
|||
<br>Neste momento você tem [duas escolhas](https://gitlab.steamos.cloud) claras: sentar em um lugar mais [confortável já](https://yenga.xyz) 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](http://www.vourdas.com) de algum tempero.<br> |
|||
<br>Algumas das mudanças realizadas pela equipe de DeepSeek, liderada por [Luo Fuli](https://markaindo.com) um [prodígio](https://www.mercado-uno.com) com cara de atriz de dorama, incluem Mixture of Experts (MoE), [Multi-head Latent](https://benchmarkqualityservices.com) 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](https://novokuznetcsk.a-genio.ru) para escalar os parâmetros do modelo sem aumentar proporcionalmente 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](https://kkhelper.com) então processado pelos especialistas selecionados, agregados como:<br> |
|||
<br>Uma perda de balanceamento de carga é adicionada para encorajar utilização igual dos especialistas, reduzindo gargalos computacionais.<br> |
|||
<br>Vamos ver um [exemplo simplificado](https://git.apppin.com) de como o [MoE funciona](http://git.9uhd.com) 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](https://aabbii.com) 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://10xhire.io) 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](http://bhf.no) o token e [produza](http://snabs.nl) um vetor de características:<br> |
|||
<br>A saída last será a soma ponderada desses vetores, usando os pesos da função gate:<br> |
|||
<br>Agora, envision que após processar vários tokens, notamos que o Especialista 1 está sendo usado 80% do pace. Aqui é onde a perda de [balanceamento entra](https://minicourses.ssmu.ca) 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](http://hogzindandyland.com) uma distribuição mais equilibrada nas próximas iterações.<br> |
|||
<br>O MoE funciona essencialmente como um sistema de distribuição de [tráfego](http://volna-pozice.cz) inteligente, onde o "roteador" (chamado de função de gate ou porta) choose qual especialista ou [combinação](https://acompanysystem.com.br) de especialistas deve processar cada token de entrada. Este roteamento é feito de forma dinâmica e aprendida, [não através](http://81.70.93.2033000) de regras fixas.<br> |
|||
<br>Para entender melhor, podemos fazer uma analogia com um hospital: 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](https://www.sjaopskop.nl) 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 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](https://erp360sg.com) $W_gx$. |
|||
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://xn--kroppsvingsforskning-gcc.no) a perda de balanceamento de carga. Um mecanismo que evita que alguns especialistas fiquem sobrecarregados enquanto outros ficam [ociosos](https://heifernepal.org). Para entender este conceito, podemos voltar ao nosso healthcare facility:<br> |
|||
<br>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](https://clced.org) 80% dos pacientes, enquanto um [neurologista](http://wolfi.org) mal recebe pacientes. Isso cria dois problemas: o cardiologista fica sobrecarregado, podendo causar atrasos e queda na qualidade do atendimento |
|||
Loading…
Reference in new issue