6月28日消息，當行業(yè)在討論誰的模型更聰明時，DeepSeek仍然把目光投向更現(xiàn)實的問題：如何讓大模型跑得更快。

昨日，DeepSeek官方在Github低調(diào)發(fā)表了一篇最新論文，介紹其推理加速框架DSpark，試圖解決大語言模型在高并發(fā)場景下的推理效率瓶頸。

從作者署名來看，這篇論文由DeepSeek與北京大學聯(lián)合發(fā)布，值得注意的是，DeepSeek創(chuàng)始人梁文鋒也位列作者名單。

在論文中，團隊開源了DSpark模型權(quán)重，并同步發(fā)布了面向推測解碼、由算法驅(qū)動的訓(xùn)練代碼倉庫DeepSpec。

DeepSeek首先解釋了需要解決的問題。大語言模型采用自回歸方式生成文本：每一個新詞元的生成，都需要基于全部前置詞元完成一次完整前向傳播，結(jié)果是輸出越長，等待越久。

由此帶來GPU利用率低下、用戶等待時間過長的問題，這是大語言模型線上服務(wù)的核心性能瓶頸，在實時對話助手、多輪智能體工作流等低時延敏感場景中尤為突出。

目前的主流方案分為自回歸草稿模型（Eagle3）、并行草稿模型（DFlash）兩條路線，二者各有缺陷，包括生成質(zhì)量瓶頸和系統(tǒng)效率瓶頸等，且現(xiàn)有方案均缺乏負載自適應(yīng)校驗機制。

基于此，DeepSeek提出DSpark推測解碼框架，采用半自回歸生成架構(gòu)：保留并行主干的高吞吐優(yōu)勢，同時加入輕量級串行模塊，逐詞元注入前綴依賴信息。

該模塊提供兩種實現(xiàn)——僅依賴前一個詞元的馬爾可夫頭，以及通過循環(huán)狀態(tài)累積完整前綴信息的RNN頭。

實驗表明，兩層Transformer深度的DSpark即可在所有測試領(lǐng)域超過五層DFlash的接受長度。

目前，DeepSeek已經(jīng)將DSpark部署到DeepSeek-V4在線服務(wù)系統(tǒng)中，并基于真實用戶流量評估其實際性能。

結(jié)果顯示，相較于現(xiàn)有生產(chǎn)環(huán)境基線系統(tǒng)MTP-1，在相同吞吐量條件下，DSpark將用戶端生成速度提升了60%-85%。

此外，DeepSeek也將這一框架部署在其他模型上，以阿里旗下的Qwen3-4B、8B、14B三個模型為例，相較于自回歸草稿模型，DSpark平均單輪可接受詞元長度分別提升了30.9%、26.7%、30%；相較于并行草稿模型，DSpark分別提升了16.3%、18.4%、18.3%。