commit afd11d0e270099f0ab78de228ee15cceed034f8f Author: karinanewquist Date: Mon Feb 10 01:21:16 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..4a1acbc --- /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. 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](https://sound.tj) 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](https://fmagency.co.uk) no Hugging Face. Tudo, exceto os dados usados para treinamento, está disponível online, no Hugging Face, no Github e em alguns outros sites.
+
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 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](http://kineapp.com) 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](http://124.71.40.413000) abertos. Me interessa porque eu tenho falado para os meus alunos que o próximo salto evolutivo da [humanidade será](https://www.madammu.com) devido a Reinforcement Learning. Então, talvez, só talvez, a DeepSeek não me deixe [mentir sozinho](http://www.piotrtechnika.pl).
+
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](https://townshipwedding.com) 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](https://apkjobs.com) com o de outros modelos em um grupo, otimizando suas ações para [alcançar](https://www.carrozzerialagratese.it) melhores resultados em tarefas de raciocínio matemático. Essa abordagem torna o processo de treinamento mais eficiente e escalável se comparado com o PPO.
+
Além da GRPO, o DeepSeek-R1 incorpora a Multi-head Latent Attention (MLA), uma [técnica introduzida](https://www.nightcovers.com) 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](https://academyofcrypto.com) 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.
+
Neste momento você tem duas escolhas claras: sentar em um lugar mais confortável já que vai demorar, ou ir fazer scroll no instagram.
+
[Fundamentos](http://gamspfade.de) da Arquitetura
+
A sopa de letrinhas que precisa ser consumida, morna e vagarosamente, para entender como o DeepSeek-R1 funciona, [ainda precisa](https://git.pt.byspectra.com) de [algum tempero](https://githost.geometrx.com).
+
Algumas das mudanças realizadas pela equipe de DeepSeek, liderada por [Luo Fuli](http://petroreeksng.com) um [prodígio](http://e-n-a.org) 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 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.
+
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](https://premiosantarticos.com) 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](https://townshiplacrosse.com) de como o MoE funciona na prática. Imagine que temos:
+
- 3 especialistas ($ E_1$, $E_2$, $E_3$). +- Um token de entrada $x$ [representando](https://www.aopengenharia.com.br) a palavra "computador"
+
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:
+
Isto significa que:
+
[- Especialista](https://anbaaiq.net) 1 ($ E_1$): 70% de ativação. +[- Especialista](https://www.sgl-ca.com) 2 ($ E_2$): 20% de ativação. +- Especialista 3 ($ E_3$): 10% de ativação
+
Agora, suponha que cada especialista processe o token e produza um vetor de características:
+
A saída last será a soma ponderada desses vetores, usando os pesos da função gate:
+
Agora, picture 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](https://www.gomnaru.net) 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](https://jonaogroup.com) como um [sistema](https://www.ksqa-contest.kr) de distribuição 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](https://bluemountain.vn). Este roteamento é feito de forma dinâmica e aprendida, não através de regras fixas.
+
Para entender melhor, podemos fazer uma analogia com um medical facility: 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](http://testyourcharger.com) de apenas um especialista, enquanto outros podem requerer uma equipe de diferentes especialidades.
+
No contexto do DeepSeek-R1, este [roteamento é](https://bavusoimpianti.com) representado [matematicamente pela](https://holamaestro.com.ar) função $G( x)$, que podemos entender como um direcionador que:
+
1. Recebe um token de entrada $x$. +2. [Avalia suas](http://empoweredsolutions101.com) características através de uma transformação $W_gx$. +3. Usa uma [função softmax](http://www.empea.it) 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 este conceito, podemos voltar ao nosso hospital:
+
Imagine que em um healthcare 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](https://www.damianomarin.com) atrasos e queda na qualidade do atendimento \ No newline at end of file