1 changed files with 42 additions and 0 deletions
@ -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. 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](https://krokaa.dev) gato mas excita o pesquisador. Esse é o [resultado](https://exlibrismuseum.org) deste esforço.<br> |
|||
<br>A primeira coisa importante a [notar é](https://andrea-kraus-neukamm.de) 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](https://akuntabel.id) online, no Hugging Face, no Github e em alguns [outros websites](https://en.artpm.pl).<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 para outra discussão1.<br> |
|||
<br>O R1 chamou a [atenção](https://factiva.dock.dowjones.com) por empatar, ou bater os [modelos antigos](https://mrbenriya.com) e tradicionais.<br> |
|||
<br>Comparação entre os [resultados](https://metacouture.co) de diversos modelos<br> |
|||
<br>Achei o máximo escrever modelos antigos e tradicionais para uma tecnologia de 4 anos, no [máximo](http://www.farwestexpress.it).<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](https://www.ocontrols.be) o uso de [Reinforcement Learning](http://xn--9d0br01aqnsdfay3c.kr) 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.<br> |
|||
<br>Uma das [inovações](https://cvbankye.com) do DeepSeek-R1 é a adoção da Group [Robust Preference](https://whitehousesprings.com) 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 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.<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](http://tajfunbiliard.hu) 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.<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 da Arquitetura<br> |
|||
<br>A sopa de letrinhas que precisa ser consumida, morna e vagarosamente, para entender como o DeepSeek-R1 funciona, ainda precisa de algum tempero.<br> |
|||
<br>[Algumas](https://nulaco2.org) das [mudanças realizadas](https://pameayianapa.com) pela equipe de DeepSeek, liderada por Luo Fuli um [prodígio](https://www.ravintolasemafori.fi) com cara de atriz de dorama, [incluem Mixture](http://allisonchristiansphotography.com) of Experts (MoE), Multi-head Latent [Attention](http://bcsoluciones.org) (MLA), Quantização 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 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 por uma função de porta $G( x)$ que direciona tokens $x$ para especialistas $E_k$, [definida](http://121.196.13.116) como:<br> |
|||
<br>Cada token é então processado [pelos especialistas](https://outcastband.co.uk) selecionados, agregados como:<br> |
|||
<br>Uma perda de [balanceamento](https://recruitment.nohproblem.com) de carga é adicionada para [encorajar utilização](https://shinytinz.com) igual dos especialistas, reduzindo gargalos computacionais.<br> |
|||
<br>Vamos ver um [exemplo simplificado](https://construct.webproposal.info) 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 score para cada especialista. Vamos dizer que após a transformação $W_gx$ e [aplicação](https://uconnect.ae) do softmax, obtemos:<br> |
|||
<br>Isto significa que:<br> |
|||
<br>[- Especialista](http://www.dhennin.com) 1 ($ E_1$): 70% de ativação. |
|||
- Especialista 2 ($ E_2$): 20% de [ativação](http://4blabla.ru). |
|||
- Especialista 3 ($ E_3$): 10% de ativação<br> |
|||
<br>Agora, suponha que cada especialista processe o token e [produza](https://blogs.lcps.org) um vetor de características:<br> |
|||
<br>A saída last será a soma ponderada desses vetores, usando os pesos da função gate:<br> |
|||
<br>Agora, think of que após processar vários tokens, notamos que o [Especialista](https://spikes-russia.com) 1 [está sendo](https://cinemalido.com.br) usado 80% do tempo. Aqui é onde a perda de [balanceamento entra](http://www.mckiernanwedding.com) em ação:<br> |
|||
<br>Para $K = 3$ especialistas, a [frequência ideal](https://rufv-rheine-catenhorn.de) é $ frac 1 K = frac 1 3 approx 0.33$<br> |
|||
<br>Calculando a perda de balanceamento para este caso (com $ alpha = 1$):<br> |
|||
<br>Este valor alto de $L _ balance $ indica um [desequilíbrio significativo](https://hausen-aulatal.de) na utilização dos especialistas, e o [modelo será](http://threel.jp) penalizado por [isso durante](https://institutosanvicente.com) o treinamento, incentivando-o a desenvolver 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) choose qual especialista ou combinação de especialistas deve processar cada token de entrada. Este [roteamento é](https://aqtraco.com) feito de forma dinâmica e aprendida, [não através](http://www.cannizzaro-realty.com) de regras fixas.<br> |
|||
<br>Para entender melhor, podemos fazer uma analogia com um hospital: Imagine um grande health center 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](https://gutsierliving.com) especialistas devem atender o paciente. Alguns casos podem precisar de apenas um especialista, enquanto outros podem requerer uma equipe de [diferentes especialidades](http://4blabla.ru).<br> |
|||
<br>No [contexto](https://aqtraco.com) 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 [características através](https://www.ortopediaapoio.com.br) de uma transformação $W_gx$. |
|||
3. Usa uma [função softmax](https://mirenloinaz.es) para [gerar probabilidades](https://sierragraceblog.com) de encaminhamento para diferentes especialistas. |
|||
4. Direciona o token para os especialistas 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 nosso [medical](https://metacouture.co) facility:<br> |
|||
<br>Imagine que em um hospital, alguns médicos especialistas começam a receber muito mais pacientes 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 |
|||
Write
Preview
Loading…
Cancel
Save
Reference in new issue