6月28日消息，当行业在讨论谁的模型更聪明时，DeepSeek仍然把目光投向更现实的问题：如何让大模型跑得更快。
昨日，DeepSeek官方在Github低调发表了一篇最新论文，介绍其推理加速框架DSpark，试图解决大语言模型在高并发场景下的推理效率瓶颈。
从作者署名来看，这篇论文由DeepSeek与北京大学联合发布，值得注意的是，DeepSeek创始人梁文锋也位列作者名单。
在论文中，团队开源了DSpark模型权重，并同步发布了面向推测解码、由算法驱动的训练代码仓库DeepSpec。
DeepSeek首先解释了需要解决的问题。大语言模型采用自回归方式生成文本：每一个新词元的生成，都需要基于全部前置词元完成一次完整前向传播，结果是输出越长，等待越久。
由此带来GPU利用率低下、用户等待时间过长的问题，这是大语言模型线上服务的核心性能瓶颈，在实时对话助手、多轮智能体工作流等低时延敏感场景中尤为突出。
目前的主流方案分为自回归草稿模型（Eagle3）、并行草稿模型（DFlash）两条路线，二者各有缺陷，包括生成质量瓶颈和系统效率瓶颈等，且现有方案均缺乏负载自适应校验机制。
基于此，DeepSeek提出DSpark推测解码框架，采用半自回归生成架构：保留并行主干的高吞吐优势，同时加入轻量级串行模块，逐词元注入前缀依赖信息。
该模块提供两种实现——仅依赖前一个词元的马尔可夫头，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。
目前，DeepSeek已经将DSpark部署到DeepSeek-V4在线服务系统中，并基于真实用户流量评估其实际性能。
结果显示，相较于现有生产环境基线系统MTP-1，在相同吞吐量条件下，DSpark将用户端生成速度提升了60%-85%。
此外，DeepSeek也将这一框架部署在其他模型上，以阿里旗下的Qwen3-4B、8B、14B三个模型为例，相较于自回归草稿模型，DSpark平均单轮可接受词元长度分别提升了30.9%、26.7%、30%；相较于并行草稿模型，DSpark分别提升了16.3%、18.4%、18.3%。
