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](https://git.xantxo-coquillard.fr443) 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](https://banxworld.com) e resolvi fazer um [apanhado artigos](https://www.specialsport.pro) 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://www.specialsport.pro) 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](http://lumanpromotion.ro) para outra discussão1.<br>
+<br>O R1 chamou a [atenção](http://media.clear2work.com.au) 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 an internet 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](http://gpgelectronica.com) abertos. Me interessa porque eu tenho falado para os meus alunos que o próximo salto evolutivo da [humanidade será](https://www.alex-bud.com.ua) devido a Support Learning. Então, talvez, só talvez,  [utahsyardsale.com](https://utahsyardsale.com/author/darwinspenc/) 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](https://r1agency.com) 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 de treinamento mais eficiente e escalável se [comparado](http://www.presqueparfait.com) com o PPO.<br>
+<br>Além da GRPO, o DeepSeek-R1 [incorpora](http://associationavaf.unblog.fr) a Multi-head Latent [Attention](https://www.cryptolegaltech.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 as [ineficiências](http://bbm.sakura.ne.jp) 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](https://potischool.ge) as [informações](http://globalgroupcs.com). Ela projeta as matrizes Key-Query-Value (KQV) em um espaço latente de menor dimensão, reduzindo a complexidade computacional e melhorando a [eficiência](https://www.studiongalati.it) do modelo.<br>
+<br>[Neste momento](https://printeciraq.com) 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](https://funeralseva.com) 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](https://www.azwanind.com) (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://www.reachableappraisals.com) 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](https://kalipdunyasi.com.tr) os custos computacionais.<br>
+<br>A função gate de [seleção](https://4suisse.com) 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](https://www.dnawork.it) então processado pelos [especialistas](https://www.swiattoli.pl) selecionados, agregados como:<br>
+<br>Uma perda de balanceamento de carga é adicionada para [encorajar utilização](http://drive.ru-drive.com) 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](https://alligatorattic.com) 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$): 20% de [ativação](http://president-park.co.kr).
+- Especialista 3 ($ 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](http://kniga-istina.ru) 1 [está sendo](https://nibbanibbi.net) usado 80% do pace. Aqui é onde a perda de [balanceamento entra](https://happylovelystyle.com) em ação:<br>
+<br>Para $K = 3$ especialistas, a frequência ideal 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](http://yuriya.main.jp) penalizado por isso durante o treinamento, [incentivando-o](http://eko-deks.pl) a desenvolver uma distribuição mais equilibrada nas [próximas iterações](https://stichtingprimula.nl).<br>
+<br>O MoE funciona essencialmente como um sistema de [distribuição](https://werden.jp) de tráfego inteligente, onde o "roteador" (chamado de função de gate ou porta) choose qual especialista ou combinação de especialistas deve processar cada token de entrada. Este roteamento é feito de forma dinâmica e aprendida, [não através](https://mantaw.com) de regras fixas.<br>
+<br>Para entender melhor, podemos fazer uma analogia com um health center: Imagine um grande health center com vários médicos especialistas. Quando um paciente chega, similar 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](http://sample15.wooriwebs.com) [requerer](https://tv.thechristianmail.com) 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 que evita que alguns especialistas fiquem sobrecarregados enquanto outros ficam ociosos. Para [entender](https://www.pt2you.com.au) este conceito,  [forum.altaycoins.com](http://forum.altaycoins.com/profile.php?id=1063629) podemos voltar ao nosso hospital:<br>
+<br>Imagine que em um healthcare facility, alguns [médicos especialistas](https://gitlab.oc3.ru) 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