大模型推理最高提速85%！DeepSeek发表重磅论文 提出两项互补机制

《科创板日报》6月28日讯（记者 王耐）在6月中旬获得500亿融资后仅十几天，6月27日，DeepSeek团队联合北京大学发布论文《DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation》。

这不是一次模型版本的迭代，而是在原有DeepSeek-V4-Pro和DeepSeek-V4-Flash基础上增加了一个推测解码模块，重点在于工程落地层面的优化。

随DSpark一同开源的DeepSpec，是一个用于训练和评估推测解码草稿模型的全栈代码库，包含数据准备工具、草稿模型实现、训练代码和评估脚本，支持MIT许可。目前DeepSpec已内置DSpark、DFlash和Eagle3三种实现。

值得注意的是，DeepSeek创始人梁文锋位列论文作者名单。在完成首轮融资的当下，创始人依然亲自参与技术论文撰写，这在AI行业并不多见。

论文标题：《DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation》 论文链接：https://github.com/deepseek-ai/DeepSpec/blob/main/DSpark_paper.pdf

实测数据验证：同等吞吐下，V4-Flash提速60%-85%，V4-Pro 提升 57%-78%

不同于仅停留在实验室的算法优化，DSpark 已完成真实用户流量落地验证。该框架全面部署于 DeepSeek-V4-Flash、V4-Pro 线上服务，替代此前 MTP-1 生产基线。在同等系统总吞吐规模下，V4-Flash 单用户生成速度提升 60%-85%，V4-Pro 提升 57%-78%。

除了DeepSeek自家的大模型，DSpark也已经部署到了阿里旗下的Qwen3-4B、8B、14B，以及Gemma4-12B。三大评测领域分别是：数学推理、代码生成、日常对话。

DSpark兼容 Qwen、Gemma 等国内外主流基座，同时配套 DeepSpec 仓库、模型权重全部开源。这意味着，对于缺乏底层算法团队的中小企业、ToB 服务商，无需投入巨额研发即可复用成熟推理优化方案，大幅降低大模型私有化部署、线上服务的落地门槛，智能体、工业代码、金融舆情等场景规模化落地速度有望加快。

论文数据显示，DSpark 在全部目标模型、全部评测领域下，稳定超越自回归基线 Eagle3 与并行基线 DFlash。以 Qwen3-4B/8B/14B 为例，宏平均接受长度相对 Eagle3 提升 30.9%、26.7%、30.0%；相对 DFlash 提升 16.3%、18.4%、18.3%。这一优势具备跨模型的泛化能力，在Gemma4-12B目标模型上同样取得了一致的性能增益。

除整体提升外，论文实验数据还揭示了显著的领域差异效应：：结构化任务（如数学推理、代码生成）的可接受长度天然更高（例如Qwen3-4B在数学任务上平均为5.57，代码任务为5.12），而开放式对话场景则明显偏低（仅3.49）。

论文也指出当前方案存在局限：对于本身可预测性极低、接受率偏低的复杂查询，这部分前置草稿算力无法回收。未来的优化方向可在草稿模型内部引入难度感知的早退出机制，使此类请求能够跳过完整块生成流程。

不拼参数拼速度：DSpark的两项技术突破

大语言模型采用自回归方式生成文本——每生成一个新token都需要一次完整前向传播，推理延迟随输出长度线性增长。推测解码（Speculative Decoding）是行业公认的解决路径：用一个轻量级草稿模型快速生成候选token，再由大模型批量验证。

但现有方案各有短板。

自回归草稿模型（如Eagle3）逐token串行生成，依赖关系建模能力强、接受率高，但草稿耗时随候选块长线性增长，只能使用短块、浅层网络。

为打破串行瓶颈，并行草稿模型成为更优方案：所有草稿位置仅需单次前向传播即可生成，草稿耗时几乎不受块长影响。但想要充分发挥长并行草稿块的潜力，仍存在两大核心瓶颈：

• 生成质量瓶颈：并行草稿模型独立预测每个位置，无法建模块内 token 依赖，会出现多模态冲突问题，序列后半段 token 接受率快速衰减；
• 系统效率瓶颈：最优验证长度难以确定。并行生成虽能产出长草稿块，但不加区分地验证全部 token 会降低系统吞吐，高并发场景下问题尤为突出。

DSpark针对这两大瓶颈提出两项互补机制。

半自回归生成架构：保留并行主干的高吞吐优势，同时加入轻量级串行模块，逐token注入前缀依赖信息。该模块提供两种实现——仅依赖前一个token的马尔可夫头，以及通过循环状态累积完整前缀信息的RNN头。实验表明，两层Transformer深度的DSpark即可在所有测试领域超过五层DFlash的接受长度。

置信度调度验证机制：引入置信度头评估每个token在给定前缀下的“存活概率”。硬件感知前缀调度器根据实时引擎吞吐量动态决定最优验证长度，优先将算力分配给预期回报最高的token。论文发现原始置信头存在置信度过高问题，团队设计了“时序温度缩放”后验校准方案予以修正。

DeepSeek 在完成大额融资后并未单纯追求参数扩容，而是关注落地效率，击中产业真实痛点。在生成式AI从实验室走向商业化的周期里，“更快、更省算力”正在取代单纯的模型跑分，成为厂商竞争力的关键指标。