commit d84a28a831bf2bb21ed91832edb68f23e8108ec0 Author: audradegruchy3 Date: Mon Feb 3 20:08:09 2025 +0800 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..241d29d --- /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 de Interpretadores engloba o processamento de linguagens formais a [naturais](https://atulyajobs.com). Dado o [terremoto provocado](https://championsleage.review) [pela DeepSeek](https://www.lucia-clara-rocktaeschel.de) com o seu modelo DeepSeek-R1, fiquei curioso e resolvi fazer um apanhado artigos para que as vozes na minha cabeça se [acalmem](https://zij-barneveld.nl) um pouco. Curiosidade mata gato mas excita o pesquisador. Esse é o resultado deste esforço.
+
A primeira coisa importante a [notar é](https://chancefinders.com) 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 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](https://y-direct.ru) e tradicionais.
+
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](https://git.kitgxrl.gay) 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 da humanidade será devido a Support Learning. Então, talvez, só talvez, a DeepSeek não me deixe [mentir sozinho](https://gopinturas.com.br).
+
Uma das inovações do DeepSeek-R1 é a adoção da Group Robust Preference Optimization (GRPO), introduzida no artigo DeepSeekMath: [Pushing](https://xn--939a42kg7dvqi7uo.com) the Limits of Mathematical Reasoning in Open Language Models sobre o trabalho de Schulman et.al de 2017 Group [Robust Preference](http://www.tvbroken3rdeyeopen.com) Optimization in [Reward-free RLHF](https://airtalent.com.br). 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](https://www.mestreem.com) 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](http://polmprojects.nl) 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 no trabalho de Kitaev, Kaiser e [Levskaya](http://koturovic.com) 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](http://2016.judogoesorient.ch) a eficiência do [modelo ao](http://ruegen-ferienanlage.de) 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](http://xn--34-6kcxl3ab5k.xn--p1ai) a eficiência do modelo.
+
[Neste momento](http://101.43.248.1843000) você tem duas escolhas claras: sentar em um lugar mais confortável já que vai demorar, ou ir fazer scroll no [instagram](https://janowiak.com.pl).
+
Fundamentos 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 pela equipe de DeepSeek, liderada por Luo Fuli um [prodígio](https://medik.co.kr) 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](https://moon-mama.de) of Experts (MoE) [ativa apenas](http://dating.globalhotelsmotels.com) um subconjunto dos parâmetros totais dentro de cada bloco Transformer, permitindo economias computacionais substanciais enquanto [preserva](https://syncskills.nl) a qualidade do modelo. Esta ativação seletiva é particularmente vantajosa para [escalar](http://e-bubble.co.uk) os parâmetros do modelo sem aumentar proporcionalmente os custos computacionais.
+
A [função gate](https://git.chir.rs) de seleção de especialistas é governada por uma [função](https://gogs.jublot.com) 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 igual dos especialistas, reduzindo gargalos computacionais.
+
Vamos ver um exemplo simplificado de como o MoE funciona na prática. Imagine que temos:
+
- 3 especialistas ($ E_1$, $E_2$, $E_3$). +- Um token de entrada $x$ representando a palavra "computador"
+
Primeiro, o [token passa](https://www.holistixclinic.com) 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:
+
Isto significa que:
+
- Especialista 1 ($ E_1$): 70% de ativação. +- Especialista 2 ($ E_2$): 20% de [ativação](https://soccerpower.ng). +- Especialista 3 ($ E_3$): 10% de ativação
+
Agora, suponha que cada especialista processe o token e [produza](http://tegelbruksmuseet.se) um vetor de características:
+
A saída last será a soma ponderada desses vetores, usando os pesos da [função](https://www.ndule.site) gate:
+
Agora, envision que após processar vários tokens, notamos que o [Especialista](http://www.korrsens.de) 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](http://metaldere.fr) $ 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](https://www.emigrante.com.mx).
+
O MoE funciona essencialmente como um sistema de [distribuição](http://povoq.moe1145) de tráfego inteligente, onde o "roteador" (chamado 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 health center: Imagine um grande health center com vários médicos especialistas. Quando um paciente chega, similar 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. Alguns casos podem precisar de apenas um especialista, enquanto outros podem [requerer](http://tverv-realty.citystar.ru) uma equipe de diferentes especialidades.
+
No contexto do DeepSeek-R1, este roteamento é representado matematicamente pela função $G( x)$, que podemos [entender](https://senbaat.com) como um direcionador 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](http://voltaicplasma.com) 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 health center, alguns [médicos especialistas](https://gpyouhak.com) começam a [receber](https://42football.ru) muito mais [pacientes](https://flohmarkt.familie-speckmann.de) que outros. Por exemplo, um [cardiologista está](https://x-ternal.es) 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