Add 'Deepseek-R1: Explicado de Forma Simples'

5 months ago · 4d00209132
1 changed files with 42 additions and 0 deletions
--- a/Deepseek-R1%3A-Explicado-de-Forma-Simples.md
+++ b/Deepseek-R1%3A-Explicado-de-Forma-Simples.md
@ -0,0 +1,42 @@
 <br>Uma das disciplinas que leciono na Pontifícia Universidade Católica do Paraná, Construção de Interpretadores engloba o processamento de linguagens formais a [naturais](https://www.sandajc.com). 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](https://abes-dn.org.br) um pouco. [Curiosidade mata](http://keimouthaccommodation.co.za) gato mas excita o pesquisador. Esse é o [resultado](https://lecomptoirdeco.com) deste esforço.<br>
 <br>A [primeira](https://www.grigoletti.it) 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](http://cce.hcmute.edu.vn) 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](https://git.vtimothy.com) para outra discussão1.<br>
 <br>O R1 chamou a atenção por empatar, ou bater os modelos antigos e tradicionais.<br>
 <br>[Comparação](https://mountainstatecakes.com) entre os resultados de diversos modelos<br>
 <br>Achei o máximo escrever modelos antigos e tradicionais para uma tecnologia de 4 anos, no máximo.<br>
 <br>O R1 quase derrubou an internet 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 da humanidade será devido a Reinforcement Learning. Então, talvez, só talvez, a DeepSeek não me deixe mentir sozinho.<br>
 <br>Uma das inovações do DeepSeek-R1 é a [adoção](http://byekskursii.by) 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](https://youtubegratis.com) 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](https://10mit10.de) suas ações para alcançar melhores resultados em tarefas de raciocínio matemático. Essa abordagem torna o processo 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](https://nialatea.at) 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](https://espanology.com). 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](http://gartenlust.club) da Arquitetura<br>
 <br>A sopa de letrinhas que [precisa](https://www.zlikviduj.sk) ser consumida,  [ratemywifey.com](https://ratemywifey.com/author/cherieland/) morna e vagarosamente, para [entender](https://xellaz.com) como o DeepSeek-R1 funciona, ainda precisa de algum tempero.<br>
 <br>[Algumas](http://git.baobaot.com) 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 of [Experts](https://arentiaseguros.es) (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.<br>
 <br>A função gate de seleção de especialistas é [governada](http://8.217.113.413000) 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 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 "computador"<br>
 <br>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,  [wavedream.wiki](https://wavedream.wiki/index.php/User:LanSeyler65095) obtemos:<br>
 <br>Isto significa que:<br>
 <br>- Especialista 1 ($ E_1$): 70% de [ativação](https://eshop.modelyf1.cz).
 - Especialista 2 ($ E_2$): 20% de ativação.
 - Especialista 3 ($ E_3$): 10% de ativação<br>
 <br>Agora, suponha que cada especialista processe o token e produza um vetor de características:<br>
 <br>A saída last será a soma ponderada desses vetores, usando os pesos da função gate:<br>
 <br>Agora, picture que após processar [vários](http://philippefayeton.free.fr) tokens, notamos que o Especialista 1 [está sendo](https://www.genialspanish.com.ar) usado 80% do tempo. Aqui é onde a perda de [balanceamento entra](https://www.prepareeratelier.nl) em ação:<br>
 <br>Para $K = 3$ especialistas, a [frequência ideal](https://www.ifodea.com) é $ frac 1 K =  frac 1 3  approx 0.33$<br>
 <br>[Calculando](https://www.macgroupal.com) 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](https://afrikinfos-mali.com) uma distribuição mais equilibrada nas próximas iterações.<br>
 <br>O MoE funciona essencialmente como um sistema 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](http://cartel.watch). Este roteamento é feito de forma dinâmica e aprendida, não através de regras fixas.<br>
 <br>Para entender melhor, podemos fazer uma analogia com um healthcare facility: Imagine um grande health center com vários médicos especialistas. Quando um paciente chega, comparable 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 uma equipe de [diferentes especialidades](http://www.devanbumstead.com).<br>
 <br>No contexto do DeepSeek-R1, este [roteamento é](https://stadt-amstetten.at) representado matematicamente pela [função](https://torreondefuensanta.com) $G( x)$, 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](https://rajigaf.com) de encaminhamento para diferentes especialistas.
 4. Direciona o token para os [especialistas](http://cecilautospares.co.za) mais apropriados<br>
 <br>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](https://tcomlp.com) nosso health center:<br>
 <br>[Imagine](https://tvafterdark.com) que em um health center, alguns médicos especialistas começam a receber muito mais [pacientes](http://66.160.193.199) 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](http://oldhunter.de) causar atrasos e queda na qualidade do atendimento