From 2d9a4ea8b2868a23d8864ba61609259379475c55 Mon Sep 17 00:00:00 2001 From: pamelacobby75 Date: Sun, 2 Feb 2025 13:40:40 +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..d1e6bf3 --- /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](https://landseminare.de/) 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](https://www.engagesizzle.com/) fazer um apanhado artigos para que as vozes na [minha cabeça](http://beecroftfp.com.au/) se acalmem um pouco. Curiosidade mata gato mas excita o pesquisador. [Esse é](http://photos.thesofttools.com/) 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 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](http://cheerinenglish.com/). Mas [isso fica](http://www.braziel.nl/) para outra discussão1.
+
O R1 chamou a atenção por empatar, ou bater os [modelos antigos](http://libraryfriendsswish.org.uk/) 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 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](https://www.nickelsgroup.com/). Então, talvez, só talvez, a DeepSeek não me deixe mentir sozinho.
+
Uma das inovações do DeepSeek-R1 é a adoção da Group Robust Preference Optimization (GRPO), introduzida no artigo DeepSeekMath: [Pushing](https://app.galaxiesunion.com/) the Limits of Mathematical Reasoning in Open Language Models sobre o trabalho de Schulman et.al de 2017 Group [Robust Preference](https://ecmresiduossolidos.com/) Optimization in Reward-free RLHF. Essa técnica substitui métodos [tradicionais](https://www.satya-avocat.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 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 com o PPO.
+
Além da GRPO, o DeepSeek-R1 [incorpora](http://ssrcctv.com/) 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](http://adventure.vonbrandt.se/) 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 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](http://beecroftfp.com.au/) claras: sentar em um lugar mais [confortável já](https://offers.americanafoods.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://green2light.com/).
+
Algumas das mudanças realizadas pela equipe de DeepSeek, liderada por Luo Fuli um prodígio com cara de atriz de dorama, [incluem Mixture](https://zajon.pl/) of Experts (MoE), [Multi-head Latent](https://kiaoragastronomiasocial.com/) 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](https://cglandscapecontainers.com/) os parâmetros do modelo sem aumentar proporcionalmente os custos computacionais.
+
A função gate de [seleção](https://spoznavanje.com/) de especialistas é governada por uma função de porta $G( x)$ que direciona tokens $x$ para especialistas $E_k$, [definida](https://civiccentertv.com/) como:
+
Cada [token é](http://krivr.com/) então processado [pelos especialistas](http://harmonyoriente.it/) selecionados, [agregados](https://carinafrancioso.com/) como:
+
Uma perda de balanceamento de carga é adicionada para encorajar utilização igual dos especialistas, reduzindo gargalos computacionais.
+
Vamos ver um [exemplo simplificado](https://sureboard.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 a palavra "computador"
+
Primeiro, o token passa pela [função gate](https://veloelectriquepliant.fr/) $G( x)$, 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 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](https://evimusic.com/) 1 está sendo usado 80% do tempo. Aqui é onde a perda de balanceamento entra em ação:
+
Para $K = 3$ especialistas, a frequência ideal é $ frac 1 K = frac 1 3 approx 0.33$
+
Calculando a perda de [balanceamento](https://epe31.fr/) para este caso (com $ alpha = 1$):
+
Este valor alto de $L _ balance $ indica um desequilíbrio significativo na [utilização](https://starseamgmt.com/) 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 como um sistema de distribuição de tráfego inteligente, onde o "roteador" (chamado de função de gate ou porta) choose qual especialista ou [combinação](https://kwerbeet-blog.de/) 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 medical facility 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](http://astral-pro.com/) uma equipe de diferentes especialidades.
+
No contexto do DeepSeek-R1, este roteamento é representado matematicamente pela função $G( x)$, [photorum.eclat-mauve.fr](http://photorum.eclat-mauve.fr/profile.php?id=208627) que podemos entender como um [direcionador](https://setupcampsite.com/) 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](https://creeksidepaws.com/) o token para os especialistas mais apropriados
+
Finalmente temos a perda de [balanceamento](http://d3axa.com/) de carga. Um [mecanismo](http://www.preferrednomenclature.com/) que evita que alguns especialistas fiquem sobrecarregados enquanto [outros ficam](https://niinapalmunen.fi/) ociosos. Para entender este conceito, podemos voltar ao nosso medical facility:
+
Imagine que em um health center, alguns médicos especialistas começam a [receber](http://www.propertiesnetwork.co.uk/) muito mais [pacientes](http://lebaudilois.fr/) 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 [atrasos](http://creativchameleon.com/) e queda na qualidade do atendimento \ No newline at end of file