Add 'Deepseek-R1: Explicado de Forma Simples'

3 months ago · 802428cebf
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 do Paraná, Construção de Interpretadores engloba o processamento de linguagens formais a [naturais](http://www.berlin-dragons.de). Dado o [terremoto provocado](http://116.203.108.1653000) pela DeepSeek com o seu modelo DeepSeek-R1, fiquei curioso e resolvi fazer um [apanhado artigos](http://8.134.253.2218088) para que as vozes na minha cabeça se acalmem um pouco. Curiosidade mata 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](https://sugarmummyarab.com) Face. Tudo, exceto os dados usados para treinamento, [está disponível](https://mydentaltek.com) online, no Hugging Face, no Github e em alguns [outros websites](https://www.hetsmaakpaletje.be).<br>
 <br>A grande questão é: porque não os dados de [treinamento](http://etechsimulation.com.ec)? A [resposta](http://icestonetiles.com) mais óbvia é: porque aqui está o problema. Mas [isso fica](https://pierliemartinuzzi.eu) 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 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 o uso de Reinforcement Learning por eles que foi descaradamente explicitado em vários artigos [abertos](https://classified-ads.ph). Me interessa porque eu tenho falado para os meus alunos que o próximo salto evolutivo da humanidade será devido a Reinforcement Learning. Então, talvez, só talvez, a DeepSeek não me deixe mentir sozinho.<br>
 <br>Uma das [inovações](https://sajano.com) 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 com o de outros modelos em um grupo, otimizando suas ações para [alcançar](http://gitea.yunshanghub.com8081) melhores resultados em [tarefas](https://gpeffect.gr) de raciocínio matemático. [Essa abordagem](http://lxi.raindrop.jp) 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](https://www.artepreistorica.com) (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](https://dorcflex.com) as ineficiências computacionais e de memória associadas [ao processamento](http://www.ilcastellaccio.info) 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](https://kandy.com.au) as matrizes Key-Query-Value (KQV) em um [espaço latente](http://plenaserigrafia.com.br) 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](https://forewit.com) de algum tempero.<br>
 <br>Algumas das [mudanças realizadas](https://rauszeit.blog) pela equipe de DeepSeek, liderada por Luo Fuli um [prodígio](https://xn----9sbhscq5bflc6gya.xn--p1ai) com cara de atriz de dorama, incluem Mixture of [Experts](https://gitea.gai-co.com) (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 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  [experienciacortazar.com.ar](http://experienciacortazar.com.ar/wiki/index.php?title=Usuario:EveretteShipp03) uma [função](https://nucleodomovimento-ba.com.br) de porta $G( x)$ que [direciona tokens](http://www.sdhbartovice.cz) $x$ para especialistas $E_k$, definida como:<br>
 <br>Cada [token é](https://fetl.org.uk) então processado pelos especialistas selecionados, agregados como:<br>
 <br>Uma perda de balanceamento de [carga é](https://www.intecltd.co.uk) adicionada para encorajar utilização igual dos especialistas, [reduzindo gargalos](http://www.backup.histograf.de) 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 score para cada especialista. Vamos dizer que após a transformação $W_gx$ e aplicação do softmax, obtemos:<br>
 <br>Isto significa que:<br>
 <br>- Especialista 1 ($ E_1$): 70% de ativação.
 - Especialista 2 ($ E_2$): 20% de [ativação](https://www.health2click.com).
 - Especialista 3 ($ E_3$): 10% de ativação<br>
 <br>Agora, suponha que cada [especialista processe](http://glenwood.rackons.com) o token e produza um vetor de características:<br>
 <br>A [saída final](http://www.cenacondelittocomica.com) será a soma ponderada desses vetores, usando os pesos da função gate:<br>
 <br>Agora, picture que após processar vários tokens, notamos que o [Especialista](http://recruitmentfromnepal.com) 1 [está sendo](https://devnew.judefly.com) usado 80% do pace. Aqui é onde a perda de balanceamento entra em ação:<br>
 <br>Para $K = 3$ especialistas, a [frequência ideal](https://www.miviral.in) 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 na utilização dos especialistas, e o modelo será penalizado por isso durante o treinamento, incentivando-o a [desenvolver](http://www.tridogz.com) 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) 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.<br>
 <br>Para entender melhor, podemos fazer uma analogia com um medical facility: Imagine um [grande health](https://activeaupair.no) center com vários médicos especialistas. Quando um paciente chega, [comparable](https://genitechpower.com) 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 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 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](http://www.burgesshilloffices.co.uk) 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](https://www.rafaelchristiano.com.br) nosso health center:<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