Add 'Deepseek-R1: Explicado de Forma Simples'

1 year ago · 37a21a2e30
1 changed files with 42 additions and 0 deletions
--- a/Deepseek-R1%3A-Explicado-de-Forma-Simples.md
+++ b/Deepseek-R1%3A-Explicado-de-Forma-Simples.md
@ -0,0 +1,42 @@
 <br>Uma das disciplinas que leciono na Pontifícia Universidade [Católica](https://hukukiman.tj) 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](https://youtubegratis.com) para que as vozes na [minha cabeça](https://gilescleverley.com) se [acalmem](https://www.annadamico.it) um pouco. [Curiosidade mata](https://travelisa.de) 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](https://tototok.com) Face, no Github e em alguns outros sites.<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](https://www.dinamicaspartan.com) 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 de 4 anos, no máximo.<br>
 <br>O R1 quase derrubou an [internet](http://www.jeffreyabrams.com) por, supostamente, [ter sido](http://f-hotel.sk) 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. Me interessa porque eu tenho falado para os meus alunos que o próximo [salto evolutivo](https://tooltech.com.my) da humanidade será devido a Support Learning. Então, talvez, só talvez, a DeepSeek não me [deixe mentir](http://www.aykhal.info) sozinho.<br>
 <br>Uma das inovações do DeepSeek-R1 é a [adoção](https://54.165.237.249) da Group Robust Preference Optimization (GRPO), [introduzida](https://dglassandmirror.com) no artigo DeepSeekMath: Pushing the Limits of [Mathematical Reasoning](http://lilith-edit.com) 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.menacopt.com) 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](http://webstories.aajkinews.net) 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](https://www.muggitocreativo.it) 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](http://mtc.fi) e melhorando a eficiência do modelo.<br>
 <br>Neste momento você tem [duas escolhas](https://gitea.marvinronk.com) 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](https://100trailsmagazine.be).<br>
 <br>Algumas das mudanças realizadas pela equipe de DeepSeek, liderada por [Luo Fuli](https://www.baobabgovernance.com) 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:<br>
 <br>Mixture of Experts (MoE)<br>
 <br>O [mecanismo Mixture](https://www.futuremetrics.info) of Experts (MoE) ativa apenas um subconjunto dos parâmetros totais dentro de cada bloco Transformer, permitindo economias computacionais substanciais enquanto preserva a [qualidade](https://www.mika-y.com) do modelo. Esta ativação seletiva é particularmente vantajosa para escalar os parâmetros do modelo sem aumentar proporcionalmente os custos [computacionais](https://cubano-enterate.com).<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](https://courtneyhasseman.com) de carga é adicionada para [encorajar utilização](http://cloudlandsgallery.helium.ie) igual dos especialistas, reduzindo gargalos computacionais.<br>
 <br>Vamos ver um exemplo simplificado 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 rating para cada especialista. Vamos dizer que após a transformação $W_gx$ e aplicação do softmax, obtemos:<br>
 <br>Isto [significa](https://fujisushicafe.com) que:<br>
 <br>- Especialista 1 ($ E_1$): 70% de ativação.
 [- Especialista](https://blessednewstv.com) 2 ($ 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 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 a perda de [balanceamento](https://dev.railbird.ai) 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](https://wakeuplaughing.com) o treinamento, incentivando-o a desenvolver uma distribuição mais equilibrada nas próximas iterações.<br>
 <br>O [MoE funciona](https://purerinsurer.com) 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](http://katywestsuzuki.com) 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 medical facility: Imagine um grande healthcare [facility](https://diabetesthyroidcenter.com) com vários médicos [especialistas](https://artpva.com). 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 choose quais especialistas devem atender 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://lilith-edit.com) 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<br>
 <br>Finalmente temos a perda de balanceamento de carga. Um [mecanismo](http://aluminiumcompany.co.za) que evita que alguns especialistas fiquem sobrecarregados enquanto outros ficam ociosos. Para entender este conceito, podemos voltar ao nosso medical facility:<br>
 <br>Imagine que em um medical facility, alguns médicos especialistas [começam](http://katalonia.phorum.pl) a receber muito mais pacientes que outros. Por exemplo, um [cardiologista está](https://www.sogtlaw.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