6月27日，DeepSeek团队联合北京大学发布名为《DSpark》的研究论文（基于speculative decoding方向），提出一种用于加速大模型推理的新方法。
该技术在保持生成文本分布完全无损（Lossless）的前提下，成功突破了大语言模型（LLM）在高并发生产环境中的推理性能瓶颈，实测数据显示，其单用户生成速度较现有主流方案最高提升85%。
目前，该框架已被部署在DeepSeek-V4-Flash 与 DeepSeek-V4-Pro的真实线上流量中，大幅加速了大语言模型（LLM）的推理速度。
值得注意的是，DeepSeek创始人梁文锋也位列论文作者名单之中。
大模型推理的“速度焦虑”
据了解，主流语言模型生成文本时，基本采用 autoregressive（自回归）方式。每生成一个新token都需要一次完整的前向传播，推理延迟随输出长度线性增长。这也造成了大模型回复总感觉很慢的原因。
在实时对话、多轮智能体工作流等高交互场景中，生成速度直接影响用户体验，也会影响GPU利用率。
推测解码技术提供了一条解决路径：用一个轻量级草稿模型快速生成若干候选token，再由大模型批量验证。
然而，现有方案各有缺陷。自回归草稿模型逐token串行生成，质量虽高但生成延迟随候选长度线性增长；并行草稿模型虽能一次产出全部候选，但token间缺少依赖关系，导致后续候选被大量拒绝，浪费计算资源。
DSpark的两把“手术刀”
围绕上述两大瓶颈，DSpark提出了两项互补机制。
一个是“半自回归生成”架构（Semi-Autoregressive Generation）。
DSpark在并行生成主干的基础上引入轻量级顺序模块，逐token注入前缀依赖信息。可以理解为：前面用并行方式快速铺开候选，后面再用一个很轻的顺序模块检查相邻 token 的衔接关系。
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上超过五层DFlash的接受长度。
另一个是置信度调度验证机制。
传统方案对整段候选无差别校验，在高负载时大量算力被浪费在极可能被拒绝的尾部token上。
置信度调度验证机制，可根据不同请求的成功概率与系统负载，自适应调整验证长度，从而减少无效计算开销。
在离线测试中，该方法显著提升了可接受生成长度；在DeepSeek-V4线上系统中，相比基线模型，推理速度提升约60%–85%，并有效降低高并发下的吞吐损耗。
DSpark在每个候选位置输出置信度分数，预测该token的存活概率。硬件感知前缀调度器根据实时引擎吞吐量，为每个请求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。
据了解，论文还同时开源了模型检查点与训练框架DeepSpec，以推动社区进一步研究。DeepSpec是一个面向speculative decoding训练的代码库，包含Eagle3、DFlash 和 DSpark。