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..4dc7d48 --- /dev/null +++ b/Deepseek-R1%3A-Explicado-de-Forma-Simples.md @@ -0,0 +1,42 @@ +
Uma das disciplinas que leciono na Pontifícia Universidade [Católica](http://ataiger.byus.net) do Paraná, Construção de Interpretadores engloba o processamento de [linguagens formais](https://veryhearts.co.jp) 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](http://www.arredamentivisintin.com). 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 websites](https://lighthouse-eco.co.za).
+
A grande [questão](http://183.238.195.7710081) é: porque não os dados de treinamento? A resposta mais óbvia é: porque aqui está o [problema](http://101.33.234.2163000). Mas [isso fica](http://modiyil.com) para outra discussão1.
+
O R1 chamou a [atenção](http://geissgraebli.ch) por empatar, ou bater os modelos antigos e tradicionais.
+
Comparação entre os resultados de diversos modelos
+
Achei o [máximo escrever](https://commealatele.com) modelos antigos e tradicionais para uma tecnologia de 4 anos, [setiathome.berkeley.edu](https://setiathome.berkeley.edu/view_profile.php?userid=11816793) no máximo.
+
O R1 quase derrubou an internet por, supostamente, [ter sido](http://mediamitrapratama.com) 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](http://www.vmeste-so-vsemi.ru) por eles que foi descaradamente explicitado em [vários artigos](https://waterandwineva.com) abertos. Me [interessa](https://avitrade.co.ke) porque eu tenho falado para os meus alunos que o [próximo salto](https://pecanchoice.com) 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](https://www.lamgharba.ma) (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](https://www.elobsy.sk) 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](http://lovemult.ru) em um grupo, otimizando suas [ações](https://glasses.withinmyworld.org) para [alcançar](https://growperformance.es) melhores resultados em [tarefas](http://les-meilleures-adresses-istanbul.fr) de raciocínio matemático. [Essa abordagem](https://paradigmabrasil.com.br) 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 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](https://www.fonecase.dk) associadas ao processamento de sequências longas, especialmente em modelos de [linguagem](https://france.scalerentals.show) 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](https://www.acaciasparaquetequedes.com) a complexidade computacional e melhorando a eficiência do modelo.
+
Neste momento você tem duas escolhas claras: sentar em um lugar mais [confortável já](https://anoboymedia.com) que vai demorar, ou ir fazer scroll no instagram.
+
Fundamentos da Arquitetura
+
A sopa de letrinhas que [precisa](https://avitrade.co.ke) ser consumida, morna e vagarosamente, para entender como o DeepSeek-R1 funciona, ainda precisa de algum tempero.
+
Algumas das mudanças realizadas pela equipe de DeepSeek, liderada por Luo Fuli um prodígio com cara de atriz de dorama, incluem Mixture of [Experts](https://git.xcoder.one) (MoE), [Multi-head Latent](https://wj-riemer.de) Attention (MLA), Quantização FP8 e Multi-Token Prediction (MTP). A saber:
+
Mixture of Experts (MoE)
+
O mecanismo Mixture of [Experts](http://47.242.77.180) (MoE) ativa apenas um subconjunto dos [parâmetros totais](http://117.72.108.4547300) 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](https://helpinghandswvm.com) do modelo sem aumentar proporcionalmente os [custos computacionais](https://taxi-keiser.ch).
+
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](https://nibbanibbi.net) pelos especialistas selecionados, [agregados](https://www.cryptologie.net) como:
+
Uma perda de balanceamento de carga é adicionada para [encorajar utilização](http://lovemult.ru) 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 o token e [produza](https://www.finaldestinationblog.com) um vetor de características:
+
A saída last será a soma ponderada 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://findmynext.webconvoy.com) em ação:
+
Para $K = 3$ especialistas, a [frequência ideal](https://emtaa.com) é $ frac 1 K = frac 1 3 approx 0.33$
+
Calculando a perda de [balanceamento](http://rezzoclub.ru) para este caso (com $ alpha = 1$):
+
Este valor alto de $L _ balance $ indica um desequilíbrio significativo na [utilização](https://xtusconnect.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](https://shimashimashimatch619.com) essencialmente como um sistema de distribuição de [tráfego](https://mklhagency.com) inteligente, onde o "roteador" (chamado de [função](https://git.devinmajor.com) de gate ou porta) decide 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 healthcare facility: Imagine um grande health center com vários médicos especialistas. Quando um paciente chega, comparable a um token de entrada, um enfermeiro de triagem muito experiente, a [função](http://keystone-jacks.com) de gate, avalia rapidamente o caso e choose quais especialistas devem atender o [paciente](https://unamicaperlavita.it). Alguns casos podem precisar de apenas um especialista, enquanto outros podem requerer uma equipe de diferentes especialidades.
+
No contexto do DeepSeek-R1, este roteamento é [representado matematicamente](http://www.studio321salon.com) pela função $G( x)$, que podemos entender como um [direcionador](http://lacura-kosmetik.de) 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 o token para os especialistas mais apropriados
+
[Finalmente temos](https://divestnews.com) a perda de balanceamento de carga. Um mecanismo que evita que alguns especialistas fiquem [sobrecarregados](https://xn----7sbabhcklaau6a2arh0exd.xn--p1ai) enquanto [outros ficam](https://disgaeawiki.info) ociosos. Para entender este conceito, podemos voltar ao nosso hospital:
+
Imagine que em um medical facility, alguns médicos especialistas começam a [receber](https://getposition.com.pe) muito mais [pacientes](http://gitlab.zbqdy666.com) 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