commit
cbbc6e036b
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](http://video.marketingelite.ro). Dado o terremoto provocado pela DeepSeek com o seu modelo DeepSeek-R1, fiquei curioso e [resolvi](http://narrenverein-langenenslingen.de) fazer um [apanhado artigos](https://phigeo.fr) 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 Face. Tudo, exceto os dados usados para treinamento, está disponível online, no Hugging Face, no Github e em alguns outros websites.<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 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](https://www.pitstopesami.it) e tradicionais para uma tecnologia de 4 anos, no máximo.<br> |
|||
<br>O R1 [quase derrubou](https://en.dainandinbartagroup.in) a web por, supostamente, [ter sido](https://tokei-daisuki.com) 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.archives.gov.il) o uso de Reinforcement Learning por [timeoftheworld.date](https://timeoftheworld.date/wiki/User:MoisesSolorio6) 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 Reinforcement Learning. Então, talvez, só talvez, a DeepSeek não me deixe mentir [sozinho](https://premiosantarticos.com).<br> |
|||
<br>Uma das inovações do DeepSeek-R1 é a adoção da Group Robust Preference Optimization (GRPO), [introduzida](http://umfp.ma) 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](http://git.baobaot.com) 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](https://myconnectedrecords.com) 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](http://114.115.218.2309005). A MLA aborda as ineficiências computacionais e de [memória](https://67dllm.com) associadas ao processamento de sequências longas, especialmente em [modelos](http://www.hervebougro.com) de linguagem com [atenção multi-cabeça](http://btpadventure.com). Em termos simples podemos dizer que a [MLA melhora](https://www.jobs-f.com) 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.giuseppinasorrusca.it) a complexidade computacional e [melhorando](http://blog.entheogene.de) a eficiência do modelo.<br> |
|||
<br>Neste momento você tem duas escolhas claras: sentar em um lugar mais [confortável já](http://vonghophachbalan.com) 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 das [mudanças realizadas](https://120pest.com) [pela equipe](https://padolsk.ru) de DeepSeek, liderada por Luo Fuli um prodígio com cara de atriz de dorama, incluem Mixture of Experts (MoE), Multi-head Latent [Attention](http://code.hzqykeji.com) (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](https://stalrecipes.net) a qualidade do modelo. Esta ativação seletiva é particularmente vantajosa para escalar os parâmetros do modelo sem [aumentar proporcionalmente](https://globalnurseforce.com) 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 como:<br> |
|||
<br>Cada token é [então processado](https://bedfordac.com) pelos especialistas selecionados, agregados como:<br> |
|||
<br>Uma perda de balanceamento de carga é adicionada para encorajar utilização 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](http://git.zljyhz.com3000) ($ E_1$, $E_2$, $E_3$). |
|||
- Um token de entrada $x$ representando a palavra "computador"<br> |
|||
<br>Primeiro, o token passa pela [função gate](https://heymuse.com) $G( x)$, 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$): 70% de [ativação](http://ponmasa.sakura.ne.jp). |
|||
- Especialista 2 ($ 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 final 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](http://basburger.net) usado 80% do pace. Aqui é onde a perda de balanceamento entra em ação:<br> |
|||
<br>Para $K = 3$ especialistas, a [frequência ideal](http://studio3z.com) é $ frac 1 K = frac 1 3 approx 0.33$<br> |
|||
<br>Calculando a perda de [balanceamento](http://flashliang.gonnaflynow.org) para este caso (com $ alpha = 1$):<br> |
|||
<br>Este valor alto de $L _ balance $ indica um desequilíbrio significativo na [utilização](http://62.210.71.92) dos especialistas, e o modelo será penalizado por isso durante o treinamento, incentivando-o a desenvolver uma [distribuição](http://1.117.194.11510080) 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](https://disabilityawareness.sites.northeastern.edu) de gate ou porta) choose qual especialista ou combinação de especialistas deve processar cada token de [entrada](https://alex3044.edublogs.org). Este roteamento é feito de forma dinâmica e aprendida, não através de [regras fixas](http://62.210.71.92).<br> |
|||
<br>Para entender melhor, podemos fazer uma analogia com um medical facility: Imagine um grande medical facility com vários médicos especialistas. Quando um paciente chega, comparable 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](http://saisto.lt) 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](https://www.mrplan.fr) 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 hospital:<br> |
|||
<br>Imagine que em um healthcare facility, alguns médicos especialistas começam a [receber](https://www.naukrinfo.pk) muito mais pacientes que outros. Por exemplo, um cardiologista está sempre ocupado, [atendendo](https://baescout.com) 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