From 4d94b00c1c4ee0e081d42b050610621e601a3641 Mon Sep 17 00:00:00 2001 From: teresedeboos24 Date: Mon, 3 Feb 2025 12:07:17 +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..dc9b942 --- /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 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 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](https://you.stonybrook.edu) modelos
+
Achei o máximo escrever modelos antigos e tradicionais para uma tecnologia de 4 anos, no [máximo](https://xn--80aapjajbcgfrddo7b.xn--p1ai).
+
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 Support Learning. 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 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 Optimization Algorithms. Simplificando, a GRPO permite que o modelo aprenda de forma mais eficaz comparando seu [desempenho](https://www.bijouxwholesale.com) com o de outros modelos em um grupo, [otimizando suas](http://www.expressaoonline.com.br) 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 a Multi-head Latent Attention (MLA), uma técnica introduzida no DeepSeek-V3, que, por [experienciacortazar.com.ar](http://experienciacortazar.com.ar/wiki/index.php?title=Usuario:AlexSchnell) sua vez, foi inspirada no trabalho de Kitaev, Kaiser e [Levskaya](https://www.deondernemer-zeeland.nl) em Reformer: The Efficient Transformer. A MLA aborda as ineficiências computacionais e de memória associadas ao processamento de sequências longas, [addsub.wiki](http://addsub.wiki/index.php/User:VirgieSpurlock) 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://148.66.10.103000) claras: sentar em um lugar mais confortável já 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.
+
[Algumas](https://gruposanvicentegalapagos.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:
+
Mixture of Experts (MoE)
+
O mecanismo Mixture of Experts (MoE) ativa apenas um subconjunto dos [parâmetros totais](https://www.sciencepeople.co.kr) 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 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 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.deluxhellas.gr) 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 o token e produza um vetor de características:
+
A saída last será a soma ponderada desses vetores, usando os pesos da [função](https://viteohemp.com.ua) 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 é $ frac 1 K = frac 1 3 approx 0.33$
+
Calculando a perda de [balanceamento](https://goranlowie.net) para este caso (com $ alpha = 1$):
+
Este valor alto de $L _ balance $ indica um [desequilíbrio significativo](http://www.expressaoonline.com.br) na utilização dos especialistas, e o modelo será penalizado por isso durante o treinamento, [incentivando-o](https://guesthouselinges.com) a desenvolver uma distribuição mais equilibrada nas próximas iterações.
+
O MoE [funciona essencialmente](https://ou812chat.com) como um sistema de distribuição de tráfego inteligente, onde o "roteador" (chamado de função de gate ou porta) choose 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.
+
Para entender melhor, podemos fazer uma analogia com um [medical](https://www.marlucreative.it) facility: [Imagine](https://www.gigieventplanning.com) um grande healthcare 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 choose quais especialistas devem atender o paciente. Alguns casos podem precisar de apenas um especialista, enquanto [outros podem](http://www.scitqn.cn3000) requerer uma equipe de diferentes especialidades.
+
No contexto do DeepSeek-R1, este roteamento é [representado](https://webfans.com) matematicamente pela função $G( x)$, que podemos entender como um direcionador 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://paquitoescursioni.it) o token para os [especialistas](http://schifffahrtsmuseum-nordhorn.de) mais apropriados
+
Finalmente temos a perda de [balanceamento](https://brasserie-moccano.nl) de carga. Um mecanismo que evita que alguns especialistas fiquem sobrecarregados enquanto outros ficam ociosos. Para entender este conceito, podemos voltar ao nosso healthcare facility:
+
Imagine que em um medical facility, alguns médicos especialistas começam a receber muito mais [pacientes](http://job-interview.ru) 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 e queda na qualidade do atendimento \ No newline at end of file