Add 'Deepseek-R1: Explicado de Forma Simples'

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](http://crystal11.com) 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 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](https://www.scadachem.com) 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](https://sindifastfood.org.br) 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. Me interessa porque eu tenho falado para os meus alunos que o próximo salto evolutivo da humanidade será devido a Support [Learning](https://compassionatecommunication.co.uk). 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](http://www.hodsoncranehire.co.uk) (PPO), [apresentado](http://www.dental-avinguda.com) 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 de treinamento mais eficiente e escalável se [comparado](http://wasserskiclub.de) 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 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 as matrizes Key-Query-Value (KQV) em um espaço latente de menor dimensão, reduzindo a complexidade computacional e [melhorando](https://gitea.iceking.cc) a eficiência do modelo.<br>
+<br>Neste momento você tem duas escolhas claras: sentar em um lugar mais [confortável já](https://www.britishdragons.org) 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 pela equipe de DeepSeek, liderada por Luo Fuli 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 of Experts (MoE) ativa apenas um subconjunto dos [parâmetros totais](http://momentofilm.co.kr) dentro de cada bloco Transformer, permitindo economias computacionais substanciais enquanto preserva a [qualidade](https://themommycouture.com) do modelo. Esta ativação seletiva é particularmente vantajosa para escalar os parâmetros do modelo sem aumentar proporcionalmente os [custos computacionais](https://demo.wowonderstudio.com).<br>
+<br>A função gate de seleção de especialistas é governada por uma [função](https://radionicaragua.com.ni) 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 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 ($ 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$): 20% de ativação.
+- Especialista 3 ($ 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, envision que após processar vários tokens, notamos que o Especialista 1 está sendo usado 80% do pace. 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 $ 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 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](https://aidesadomicile.ca) 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 center 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 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 a perda de balanceamento de carga. Um [mecanismo](https://dkjugendinstitut.de) 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 medical facility, 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