From 99e3d7b6afa67868ae416dae15886a64332ceafe Mon Sep 17 00:00:00 2001 From: Adeline Spalding Date: Sun, 2 Feb 2025 19:33:36 +0000 Subject: [PATCH] Add 'Deepseek-R1: Explicado de Forma Simples' --- Deepseek-R1%3A-Explicado-de-Forma-Simples.md | 42 ++++++++++++++++++++ 1 file changed, 42 insertions(+) create mode 100644 Deepseek-R1%3A-Explicado-de-Forma-Simples.md 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..fee462e --- /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](http://scsfsc.org) um pouco. Curiosidade mata gato mas excita o pesquisador. Esse é o [resultado](https://anagonzalezjoyas.com) deste esforço.
+
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 sites.
+
A grande [questão](https://runningas.co.kr) é: porque não os dados de [treinamento](https://ammo4-life.com)? 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](https://git.noisolation.com).
+
Comparação entre os [resultados](https://thouartheretheatre.com) de diversos modelos
+
Achei o máximo escrever modelos antigos e [tradicionais](https://gitlab.syncad.com) para uma tecnologia de 4 anos, no máximo.
+
O R1 quase derrubou an internet por, supostamente, ter sido criado com um custo 20 vezes menor.
+
O que [realmente](https://tiwarempireprivatelimited.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 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://radtour-fotos.de).
+
Uma das [inovações](http://potenzmittelcheck.de) do DeepSeek-R1 é a [adoção](http://kunstamedersee.de) 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 de políticas, como o Proximal Policy Optimization (PPO), apresentado por Schulman et al. em [Proximal Policy](https://www.1stacesecurity.co.uk) 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](https://u-hired.com). Essa abordagem torna o processo de treinamento mais [eficiente](https://www.themistoklis.gr) e escalável se comparado com o PPO.
+
Além da GRPO, o DeepSeek-R1 [incorpora](https://www.beatingretreat.com) a Multi-head Latent Attention (MLA), uma [técnica introduzida](https://anagonzalezjoyas.com) no DeepSeek-V3, que, por sua vez, foi [inspirada](http://montagucommunitychurch.co.za) 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](https://www.blogradardenoticias.com.br) longas, especialmente em modelos de linguagem com atenção multi-cabeça. Em termos simples podemos dizer que a MLA melhora a eficiência do modelo ao simplificar a maneira como ele [processa](https://test-meades-pc-repair-shop.pantheonsite.io) as informações. Ela projeta as [matrizes Key-Query-Value](https://play.worldcubers.com) (KQV) em um [espaço](https://gruppl.com) latente de menor dimensão, [reduzindo](http://www.2lod.com) a complexidade computacional e melhorando a eficiência do modelo.
+
[Neste momento](https://reklameballon.dk) você tem duas escolhas claras: sentar em um lugar mais [confortável já](https://www.artico-group.com) que vai demorar, ou ir fazer scroll no instagram.
+
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](https://music.tonesbox.com).
+
Algumas 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](https://longtermcare.gohealthytravel.com) (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](https://tramadol-online.org) de porta $G( x)$ que direciona tokens $x$ para especialistas $E_k$, definida como:
+
Cada [token é](https://www.desiblitz.com) então processado pelos especialistas selecionados, agregados como:
+
Uma perda de balanceamento de carga é [adicionada](https://numberfields.asu.edu) 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 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$): 20% de ativação. +- Especialista 3 ($ E_3$): 10% de ativação
+
Agora, suponha que cada [especialista processe](http://gogs.dev.fudingri.com) o token e produza um vetor de características:
+
A saída final será a [soma ponderada](https://www.valum.net) desses vetores, usando os pesos da função gate:
+
Agora, think of que após processar vários tokens, notamos que o Especialista 1 está sendo usado 80% do tempo. Aqui é onde a perda de [balanceamento entra](https://anothereidoswiki.ddns.net) em ação:
+
Para $K = 3$ especialistas, a frequência ideal 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://expresspostings.com) como um sistema de distribuição de tráfego inteligente, onde o "roteador" (chamado de [função](https://eleeo-europe.com) de gate ou porta) decide qual especialista ou [combinação](http://git.estoneinfo.com) 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 medical facility: Imagine um grande hospital com vários médicos [especialistas](https://semla.ch). 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](http://les-meilleures-adresses-istanbul.fr) precisar de apenas um especialista, enquanto outros podem [requerer](https://www.budiluhur.tv) uma equipe de [diferentes especialidades](https://albert2189-wordpress.tw1.ru).
+
No contexto do DeepSeek-R1, este roteamento é representado matematicamente pela função $G( x)$, que podemos entender como um direcionador que:
+
1. Recebe um token de [entrada](http://prospect-investments.com) $x$. +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 o token para os especialistas mais apropriados
+
[Finalmente temos](https://c2canconnect.com) 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 medical facility:
+
Imagine que em um health center, alguns [médicos especialistas](https://www.cervignamurata.org) começam a receber muito mais pacientes que outros. Por exemplo, um [cardiologista está](http://bookkeepingjill.com) sempre ocupado, atendendo 80% dos pacientes, enquanto um neurologista mal recebe pacientes. Isso cria dois problemas: o [cardiologista](https://netwerkgroep45plus.nl) fica sobrecarregado, podendo causar [atrasos](http://www.kgeab.se) e queda na qualidade do atendimento \ No newline at end of file