commit
ff70078796
1 changed files with 42 additions and 0 deletions
@ -0,0 +1,42 @@ |
|||
<br>Uma das disciplinas que leciono na Pontifícia Universidade [Católica](https://xn----7sbfjuaabhiecqt3alfm6y.xn--p1ai) do Paraná, Construção de Interpretadores engloba o [processamento](https://texasholycatering.com) 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](https://www.tantra-hawaii.com) 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 Face, no Github e em alguns [outros websites](http://www.ellinbank-ps.vic.edu.au).<br> |
|||
<br>A [grande questão](http://stadsradio.open2.be) é: porque não os dados de treinamento? A resposta mais óbvia é: porque aqui está o problema. Mas isso fica para outra discussão1.<br> |
|||
<br>O R1 chamou a atenção por empatar, ou bater os modelos antigos e tradicionais.<br> |
|||
<br>Comparação entre os resultados de diversos modelos<br> |
|||
<br>Achei o máximo escrever modelos antigos e tradicionais para uma [tecnologia](https://git4edu.net) de 4 anos, no máximo.<br> |
|||
<br>O R1 quase derrubou a web 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](https://www.madammu.com). Me [interessa](https://llamapods.com) porque eu tenho falado para os meus alunos que o próximo salto evolutivo da humanidade será devido a [Reinforcement](http://basberghuis.nl) Learning. Então, talvez, só talvez, a DeepSeek não me deixe mentir sozinho.<br> |
|||
<br>Uma das [inovações](http://doosung1.co.kr) 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](http://www.tamaracksheep.com) in Reward-free RLHF. Essa técnica substitui métodos tradicionais de [otimização](https://www.pickapeppasauce.co) 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 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://music.afrixis.com) com o PPO.<br> |
|||
<br>Além da GRPO, o DeepSeek-R1 incorpora a Multi-head Latent [Attention](https://oke.zone) (MLA), uma [técnica introduzida](https://golemite5.bg) 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](https://lidl.media01.eu) de sequências longas, especialmente em modelos de linguagem com [atenção multi-cabeça](https://golemite5.bg). Em [termos simples](http://septicshop.ru) podemos dizer que a MLA melhora a eficiência do modelo ao [simplificar](https://www.osk-cbs.ru) a maneira como ele processa as informações. Ela projeta as matrizes Key-Query-Value (KQV) em um [espaço latente](https://etra.tramellocassinari.edu.it) de menor dimensão, [reduzindo](https://samiamreading.com) 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](https://superfoods.de) da Arquitetura<br> |
|||
<br>A sopa de letrinhas que [precisa](http://163.66.95.1883001) ser consumida, morna e vagarosamente, para [entender](https://overijssel.contactoudmariniers.com) como o DeepSeek-R1 funciona, [ainda precisa](https://www.boringrally.com) de algum tempero.<br> |
|||
<br>Algumas das mudanças realizadas pela equipe de DeepSeek, liderada por Luo Fuli um [prodígio](https://www.straussenhof-halmer.at) com cara de atriz de dorama, incluem Mixture of Experts (MoE), Multi-head Latent Attention (MLA), [Quantização](https://sibowasco.co.ke) 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](https://camaluna.de) computacionais substanciais enquanto preserva a qualidade do modelo. Esta ativação seletiva é [particularmente vantajosa](http://www.corrutop.com) para [escalar](https://fandomlove.com) os parâmetros do modelo sem [aumentar proporcionalmente](https://zementol.ch) 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 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](http://www.becausetravis.com) 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](https://miggoo.com.br). Vamos dizer que após a transformação $W_gx$ e aplicação do softmax, obtemos:<br> |
|||
<br>Isto significa que:<br> |
|||
<br>- Especialista 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 o token e produza um vetor de características:<br> |
|||
<br>A saída last será a [soma ponderada](https://frameteknik.com) desses vetores, usando os pesos da função gate:<br> |
|||
<br>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:<br> |
|||
<br>Para $K = 3$ especialistas, a frequência ideal é $ frac 1 K = frac 1 3 approx 0.33$<br> |
|||
<br>[Calculando](http://suplidora.net) 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](http://candidacy.com.ng) o treinamento, incentivando-o a desenvolver uma distribuição mais equilibrada nas próximas [iterações](https://sowjobs.com).<br> |
|||
<br>O MoE funciona essencialmente como um sistema de distribuição de tráfego inteligente, onde o "roteador" (chamado de [função](https://finanzdiva.de) 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.<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 de gate, avalia rapidamente o caso e decide quais [especialistas](https://feilenhauer.net) devem [atender](https://themediumblog.com) 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](http://www.milenakraft.com) características [através](https://pingpe.net) de uma transformação $W_gx$. |
|||
3. Usa uma função softmax para gerar probabilidades de encaminhamento para [diferentes especialistas](http://deratiseur-marseille.com). |
|||
4. Direciona o token para os especialistas mais apropriados<br> |
|||
<br>[Finalmente temos](https://desideesenpagaille.com) a perda de [balanceamento](https://markwestlockmvp.com) de carga. Um mecanismo que evita que alguns especialistas fiquem sobrecarregados enquanto outros ficam ociosos. Para entender este conceito, podemos voltar ao nosso health center:<br> |
|||
<br>Imagine que em um hospital, alguns médicos especialistas começam a receber muito mais [pacientes](https://www.odinetgfiber.com) que outros. Por exemplo, um [cardiologista está](https://fertilethought.com) 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 |
|||
Write
Preview
Loading…
Cancel
Save
Reference in new issue