# DeepSeek 开源 DSpark 投机解码框架，加速 DeepSeek-V4 生成速度 60-85%

- 来源：MarkTechPost（RSS）
- 作者：Asif Razzaq
- 发布时间：2026-06-28 00:59
- AIHOT 分数：79
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmqwm45f901n6sly0gpl6b6l5
- 原文链接：https://www.marktechpost.com/2026/06/27/deepseek-releases-dspark-a-speculative-decoding-framework-that-accelerates-deepseek-v4-per-user-generation-60-85-over-mtp-1

## 精选理由

DeepSeek 开源的这个投机解码框架让 V4 生成提速 60% 以上，关键在于不换模型就能加速，对用 API 做产品的人是立即可用的性能提升。代码和权重都给了，值得一试。

## AI 摘要

DeepSeek 发布 DSpark 投机解码框架并开源检查点与训练代码。该框架不是新模型，而是在 DeepSeek-V4 权重上附加草稿模块，通过半自回归生成（并行骨干 + 轻量级顺序头）实现无损加速。生产环境下，DeepSeek-V4-Flash 和 V4-Pro 每用户生成速度较 MTP-1 基线分别提升 60–85% 和 57–78%。离线测试中，接受长度比 Eagle3 高 26–31%，比 DFlash 高 16–18%。配套 DeepSpec 训练代码库采用 MIT 许可证。

## 正文

DeepSeek 发布了 DSpark，一个投机解码框架，并开源了检查点与训练代码。这是一项服务优化，而非新模型。检查点 DeepSeek-V4-Pro-DSpark 和 DeepSeek-V4-Flash-DSpark 复用了现有的 V4 权重，并附加了一个草稿模块。

DeepSeek 研究团队还开源了 DeepSpec，一个采用 MIT 许可证的代码库，用于训练和评估投机解码的草稿模型。这项工作针对一个问题：在繁忙的生产服务中实现更快的大模型推理。

摘要

DSpark 将并行草稿主干与一个微小的顺序头配对，以减少后缀衰减。

一个置信度头和负载感知调度器在 GPU 空闲时验证更多 token，在繁忙时验证更少。

离线状态下，接受长度比 Eagle3 提升 26–31%，比 DFlash 提升 16–18%。

在 DeepSeek-V4 的生产环境中，每个用户的生成速度比 MTP-1 基线快 60–85%。

输出保持无损，并且检查点以及 DeepSpec 训练代码均已开源。

什么是 DSpark？

投机解码将生成过程拆分为两个角色。一个小型草稿模型提议一个 token 块。然后，完整的目标模型在一次前向传播中验证该块。

拒绝采样接受最长的有效前缀，并附加一个奖励 token。由于该规则精确地保留了目标分布，因此没有质量损失。DSpark 保持了这一保证。它改变了 token 的草拟方式以及被验证的数量。

它优化的延迟计算

每个 token 的延迟遵循论文中的一个公式：L = (Tdraft + Tverify) / τ。这里 τ 是每个周期接受的 token 数量。加速仅来自三个杠杆。

你可以更快地草拟，降低 Tdraft。你可以更好地草拟，提高 τ。或者你可以更智能地验证，减少浪费的 Tverify。DSpark 同时拉动了这三个杠杆。

工作原理：半自回归生成

早期的草稿模型迫使做出权衡。像 Eagle3 这样的自回归草稿模型让每个 token 都依赖于之前的 token。这带来了很强的接受率，但草拟成本随块大小增长。

像 DFlash 这样的并行草稿模型在一次传递中生成整个块。草拟成本保持低廉，但每个位置都忽略了其相邻位置。结果是“多模态碰撞”以及沿后缀的快速接受衰减。

DSpark 将草稿生成分为两个阶段。首先，一个重型并行主干网络（在其设置中为 DFlash）为每个位置生成基础 logits。然后，一个轻量级顺序头在采样每个 token 之前添加一个基于前缀的偏置。

默认的顺序头是一个马尔可夫头。它只查看紧邻的前一个 token。一个低秩分解（秩为 256）使其即使在词汇量很大的情况下也能保持低成本。

一旦位置一采样出“of”，该头就会提升“course”并抑制“problem”。一个可选的 RNN 头会跟踪整个块前缀。它带来的增益微乎其微，因此马尔可夫头作为默认配置。

效果逐位置显现。DSpark 继承了并行主干网络的高首 token 准确率。随后，顺序头在块深处也能保持稳定的接受率。

训练过程冻结目标模型，并复用其嵌入层和输出头。总变差损失是关键项。最小化该距离可直接最大化草稿的接受率。

工作原理：置信度调度验证

更多的草稿 token 并不总是意味着更快的速度。在高负载下，验证将被拒绝的 token 会浪费批次容量。DSpark 增加了两个部分来解决这个问题。

一个置信度头为每个草稿位置输出一个分数。该分数估计了在给定已接受前置 token 的情况下，该 token 通过验证的概率。它由分析性的逐步骤接受率进行监督。

原始的神经置信度通常过于自信。因此，研究团队应用了顺序温度缩放，这是一种事后校准步骤。它将预期的校准误差从 3–8% 降低到大约 1%。

一个硬件感知的前缀调度器随后为每个请求设置验证长度。它使用一个在启动时测量一次的吞吐量曲线 SPS(B)。当 GPU 空闲时，它会验证更多 token。当 GPU 繁忙时，它会验证更少 token。

调度器使用一个早停规则来保持无损。附录部分给出了一个反例，说明了为什么朴素的全局搜索会泄露信息。

指标

离线测试涵盖数学、代码和日常聊天。目标模型包括 Qwen3-4B、8B、14B 和 Gemma4-12B。DSpark 在每一个领域的接受长度上都击败了两个基线。

在 Eagle3 上，三个 Qwen3 尺寸模型的宏平均接受长度分别提升了 30.9%、26.7% 和 30.0%。在 DFlash 上，提升幅度分别为 16.3%、18.4% 和 18.3%。一个 2 层的 DSpark 甚至超过了 5 层的 DFlash。

顺序头带来的额外成本很小。将草稿长度从 4 扩展到 16，每轮推理延迟仅增加 0.2–1.3%。作为回报，接受长度提升了高达 30%。

生产环境下的结果来自 DeepSeek-V4-Flash 和 V4-Pro 在真实流量下的表现。基线是 MTP-1，即之前的单 token 方案。在相同吞吐量下，Flash 上每个用户的速度提升了 60–85%，Pro 上提升了 57–78%。已部署的配置是 DSpark-5，即一个带有马尔可夫头的 5 token 草稿块。

草稿模型草稿生成方式块成本后缀接受率验证长度

Eagle3自回归随块大小增长高且稳定固定

DFlash并行近乎恒定快速衰减固定（完整块）

MTP-1单 token（MTP）低—静态 2 token

DSpark并行 + 顺序头近乎恒定高且稳定动态，感知负载

用例与示例

结构化工作负载从更长的验证中获益最多。在代码生成中，接受率天然很高。调度器可以验证长前缀而几乎没有浪费，因此编码智能体能够更快地流式输出结果。

开放式聊天则有所不同。通过置信度阈值扫描，聊天的接受率从 45.7% 提升到了 95.7%。置信度头会标记出不确定的后缀 token，以便将其剪除。

数学推理介于两者之间。在同一扫描中，其接受率从 76.9% 提升到了 92.5%。长步骤的逐步推导过程受益于稳定的深层块接受率。

高并发服务是主要的应用场景。在中等负载下，调度器每个请求大约验证 4–6 个 token。随着并发度升高，它会削减这个预算以保护吞吐量。

尝试使用

DeepSpec 的运行分为三个阶段：数据准备、训练，然后是评估。配置文件用于选择算法和目标模型。评估环节会在九个数据集上对训练好的草稿检查点进行基准测试。

# Install dependencies python -m pip install -r requirements.txt

# Train a DSpark draft against a Qwen3-4B target. # The algorithm and target are chosen by the config, e.g. # config/dspark/dspark_qwen3_4b.py bash scripts/train/train.sh

# Evaluate the trained draft across the 9 benchmark datasets. # Set in the eval config: # target_name_or_path = Qwen/Qwen3-4B # draft_name_or_path = ~/checkpoints/deepspec/dspark_block8_qwen3_4b/step_latest bash scripts/eval/eval.sh

默认配置假设使用一个拥有 8 块 GPU 的节点。如果 GPU 数量较少，请减少 `CUDA_VISIBLE_DEVICES` 的设置。请注意，目标缓存可能很大，在 Qwen3-4B 的设置下接近 38 TB。

对于生产环境检查点，草稿模块会附加到现有的 V4 权重上。Hugging Face 模型卡在推理文件夹中提供了一个最小推理示例。目标模型无需重新训练。

下方的交互式演示展示了这一机制。选择一个草稿模型、一个领域以及一个 GPU 负载等级。观察草稿块、置信度分数以及调度器的验证预算如何实时变化。这些数字是示意性的，基于论文中报告的行为建模。