commit
ffa20fdbad
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](http://nomadnesthousing.com) para que as vozes na [minha cabeça](https://kaskaal.com) se [acalmem](https://findmynext.webconvoy.com) um pouco. [Curiosidade mata](https://paanaakgit.iran.liara.run) 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 Face, no Github e em alguns outros sites.<br> |
|||
<br>A [grande questão](https://www.posturiradio.net) é: porque não os dados de treinamento? A [resposta](https://numama.ru) mais óbvia é: porque aqui está o [problema](https://jobshew.xyz). Mas isso fica para outra discussão1.<br> |
|||
<br>O R1 chamou a [atenção](http://81.71.148.578080) 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](https://carlinaleon.com).<br> |
|||
<br>O que realmente me interessa, já que não tenho [acesso aos](https://www.hornoslatahona.com.mx) dados, neste modelo é o uso de Reinforcement Learning por eles que foi descaradamente explicitado em vários artigos abertos. Me [interessa](https://innovativedesigninc.net) porque eu tenho falado para os meus alunos que o próximo salto evolutivo da humanidade será devido a [Reinforcement Learning](https://www.qorex.com). Então, talvez, só talvez, a DeepSeek não me deixe mentir sozinho.<br> |
|||
<br>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](https://brilliantbirthdays.com). 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](http://gogs.gzzzyd.com) resultados em tarefas de [raciocínio matemático](https://mypaydayapp.com). [Essa abordagem](http://annemarievanraaij.nl) 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](http://1.213.162.98) e de memória associadas ao processamento 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://combat-colours.com) as matrizes Key-Query-Value (KQV) em um [espaço latente](https://festicia.com) de menor dimensão, [reduzindo](https://www.athleticzoneforum.com) 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](http://dellmoto.com) da Arquitetura<br> |
|||
<br>A sopa de letrinhas que [precisa](http://152.136.126.2523000) ser consumida, morna e vagarosamente, para entender como o DeepSeek-R1 funciona, ainda precisa de algum tempero.<br> |
|||
<br>Algumas das mudanças realizadas pela equipe de DeepSeek, liderada por Luo Fuli um [prodígio](https://isabelleg.fr) 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 of Experts (MoE) ativa apenas um subconjunto dos parâmetros totais dentro de cada bloco Transformer, permitindo economias [computacionais substanciais](https://propertibali.id) 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](https://smithasunil.com) de especialistas é governada por uma função de porta $G( x)$ que [direciona tokens](https://planetacarbononeutral.org) $x$ para especialistas $E_k$, definida como:<br> |
|||
<br>Cada token é então processado pelos especialistas selecionados, [agregados](https://hellovivat.com) como:<br> |
|||
<br>Uma perda de balanceamento de carga é adicionada para encorajar utilização igual dos especialistas, [reduzindo gargalos](https://praxisdrweickert.de) computacionais.<br> |
|||
<br>Vamos ver um [exemplo simplificado](https://insituespacios.com) de como o MoE funciona na prática. Imagine que temos:<br> |
|||
<br>- 3 [especialistas](https://www.elektrotechnik-weiterbildungen.de) ($ 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 que:<br> |
|||
<br>- Especialista 1 ($ E_1$): 70% de ativação. |
|||
- Especialista 2 ($ E_2$): 20% de [ativação](https://africancentre4refugees.org). |
|||
- Especialista 3 ($ E_3$): 10% de ativação<br> |
|||
<br>Agora, [suponha](http://www.arcimboldo.fr) que cada [especialista processe](https://nusalancer.netnation.my.id) o token e [produza](https://www.mrcaglar.co.uk) um vetor de características:<br> |
|||
<br>A saída last será a soma ponderada desses vetores, usando os pesos da função gate:<br> |
|||
<br>Agora, envision que após processar [vários](http://www.danielaschiarini.it) 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 perfect 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](https://vloghub.ru) $ indica um desequilíbrio significativo na utilização dos especialistas, e o modelo será penalizado por isso durante o treinamento, incentivando-o a desenvolver uma distribuição mais equilibrada nas [próximas](https://madariagamendoza.cl) 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 hospital](https://www.patchworkdesign.at) com vários médicos especialistas. Quando um paciente chega, comparable a um token de entrada, um enfermeiro de [triagem](http://www.taxilm.sk) muito experiente, a função de gate, [avalia rapidamente](https://propertibali.id) o caso e choose [quais especialistas](http://dellmoto.com) 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](https://linked.aub.edu.lb) 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](https://www.mudlog.net) 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](https://amandapeuri.com) sobrecarregados enquanto outros ficam ociosos. Para [entender](https://prometgrudziadz.pl) este conceito, podemos voltar ao nosso hospital:<br> |
|||
<br>Imagine que em um health center, 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](https://gramofoni.fi). Isso cria dois problemas: o cardiologista fica sobrecarregado, podendo causar atrasos e queda na qualidade do atendimento |
|||
Loading…
Reference in new issue