DeepSeek开源DSPark，AI生成速度提升85%

1. #DeepSeek发布DSpark#6月27日DeepSeek联合北大开源DSpark，算是把推测解码技术落地到生产环境了。简单说就是小模型先批量预判文字，大模型一次性校验，不用逐字计算，V4交互速度直接提57%-85%，吞吐最高翻4倍，还能迁移适配Qwen、Gemma多款开源模型。 它解决了老方案预判准度和速度不能兼顾的痛点，靠半自回归架构+置信度调度稳住输出质量，线上实测负载高低都稳定。但门槛很现实，跑通要8卡GPU、38TB存储，普通玩家很难本地部署，更适合企业和科研团队。 好消息是MIT协议全流程开源，给行业提供了可落地的加速基准；但也要理性看，复杂推理场景预判准确率会下滑，加速效果会打折扣，不是万能解法。#ai创造营#

新浪微博 2026-06-27 00:00:00

2. 如何评价DeepSeek 发布 DSpark？哪些亮点值得关注？

知乎 2026-06-28 00:00:00

3. #DeepSeek发布DSpark#以前的AI回答问题，都是一个字一个字往外蹦的，急死人。现在有了DSpark就不一样了，它会先自己在心里打个草稿，觉得没问题的地方直接一大段输出，不用一个字一个字地算。官方给的数据也是真的猛，比原来的方案快了51%到400%，相当于原来等10秒的活，现在两三秒就搞定了，而且厉害的是，不光自家的模型能用，Qwen，Gemma这些别家的开源模型套上也管用，属于是通用的buff了。说白了就是以后用AI可能更便宜、更快，人多的时候也不容易卡。这波要是真能普及开的话，咱们平时用各种AI工具的体验，应该都能上一个台阶的。

新浪微博 2026-06-27 00:00:00

4. 梁文锋再出重磅技术成果，属实让人佩服。千亿身价却褪去所有大佬光环，联合北大推出DSpark推理加速论文，整套解码框架全面开源，精准解决大模型算力损耗难题，这已是他今年第二篇署名校企技术论文。罗永浩早前见面评价他，衣着朴素、满身研发疲惫，谈吐纯粹像学生，全程亲自扎根一线做技术。DeepSeek月活破1.27亿，刚落地500亿行业最大单轮融资，估值3380亿，梁文锋手握绝对控股权，身价近2800亿，却从不追热度、少公开露面，埋头死磕硬核底层技术。不被资本裹挟，只靠技术突围，这份沉下心做长期研发的定力，正是国产AI最珍贵的底气。#deepseek融资#

新浪微博 2026-06-28 00:00:00

5. 刚刚，DeepSeek V4更新DSpark，推理速度提升80%

微信公众号 2026-06-27 00:00:00

6. 很多人关注大模型，都在比谁参数更大、能力更强。但DSpark让我觉得更有意思的一点是，它优化的不是模型本身，而是模型"跑起来"的效率。如果能在保持效果的同时，把推理吞吐提升50%甚至数倍，对于企业来说意味着更低的成本，对于用户来说意味着更快的响应速度。AI竞争正在从"谁更聪明"，走向"谁更高效"。#DeepSeek发布DSpark#

新浪微博 2026-06-27 00:00:00

7. #DeepSeek发布DSpark# 大模型生成速度这件事，普通用户感受到的是回复快不快，放到企业部署里，背后对应的却是并发能力、算力资源和整套服务成本。DSpark瞄准的正是这一块。它把半自回归生成和置信度调度结合起来，模型判断更有把握时，可以一次多生成一些内容。碰到不确定的位置，再缩小步子。这样既能减少无效预测，也不需要为了追求速度一直冒进。官方给出的吞吐提升为51%至400%。具体表现会受到模型规模、任务类型和部署环境影响，不能简单理解成所有场景都能提速四倍，但对真实业务而言，哪怕稳定提升几十个百分点，也会直接影响并发能力、响应速度和单位请求成本。模型能力决定应用能做什么，推理效率则决定这些能力能否以可接受的成本大规模运行

新浪微博 2026-06-27 00:00:00

8. #DeepSeek发布DSpark#刚刷到DeepSeek新推出DSpark，专门适配自家V4 Flash与V4 Pro两大模型，看完技术逻辑觉得思路特别巧妙。简单说就是大小模型协同干活：先用轻量小模型快速生成基础回答草稿，再交给大模型分段校验，准确内容直接保留跳过重算，只有出错段落才重新生成。官方实测整体推理吞吐直接提升51%至400%，提速幅度很可观。最打动我的一点是这套方案不封闭，团队已经在通义千问、Gemma等主流开源模型完成测试，优化效果可以通用。在我看来，推理成本一直是中小开发者落地大模型最大阻碍，硬件开销、并发限制劝退不少自研项目。倘若DSpark的提速数据能在真实业务场景稳定复现，不用额外堆叠硬件就能拉高并发承载量，不管是做AI工具还是私有化部署，都会大幅降低落地门槛，算是行业很实用的一次软件优化突破。deepseek发布dspark

新浪微博 2026-06-27 00:00:00

9. #DeepSeek发布DSpark#现在不管自研大模型还是开源模型，原生自回归生成有个绕不开的问题，生成一个词元就要完整跑一遍模型，GPU算力、显存大半都空转。碰到高并发聊天、批量写代码、超长文档解读这类场景，不仅响应慢，算力开销还特别贵。 目前行业普遍用推测解码提速，像Eagle3、DFlash、MTP都是主流方案，思路大同小异，先用小模型提前预生成一批候选词，再丢给主模型一次性批量核验。但老方案问题很突出，预生成长度固定、没法动态判断预测准不准、和硬件适配差，还很难适配不同模型，一到大流量并发，提速效果直接大打折扣。 DSpark这次直接把三大能力整合，重构了推测解码逻辑，也是它最核心的创新点，草稿预生成可快速产出候选文本片段，置信度动态调度能实时的判断每段内容靠谱程度，自动筛掉大概率会核验失败的无效token，减少无用计算，节省token就是省钱啊，还有这个硬件感知调度，实时读取GPU显存、负载情况，灵活调整核验长度，最大化利用硬件性能。 实测数据提升非常可观，对比传统MTP方案，推理吞吐直接提升51%~400%。横向对比Qwen3-8B、14B等热门开源模型，DSpark每一轮能成功保留的有效token数量，对话、代码、数学任务都表现更强，少了大量重复运算，六月是个ai更新月，下一步期待更多国产大模型的精彩表现。

新浪微博 2026-06-27 00:00:00

10. DeepSeek联合北大最新文章DSpark： 如何让大模型推理速度提升 85%？

知乎 2026-06-29 00:00:00

11. DeepSeeK 突然发布 DSpark，让 AI 的回答不再「挤牙膏」

微信公众号 2026-06-27 00:00:00

12. #DeepSeek发布DSpark#6月27日，DeepSeek发布面向Deepseek V4 Flash与V4 Pro的DSpark。不得不说，DeepSeek属实有点东西，专门给自家V4 Flash、V4 Pro模型做加速。现在市面上常见的推测解码套路基本都是固定长度生成草稿，很死板，不同硬件、代码/聊天/数学场景适配性很差，很多算力都白白浪费掉。DSpark换了思路，结合半自回归，靠置信度打分筛靠谱候选内容，再搭配硬件适配调度，无效计算直接砍掉一大截。实测数据很亮眼，对比旧基线吞吐最少涨51%，最高直接翻四倍。不光自家模型能用，Qwen、Gemma这些开源模型也能直接迁移，对比Eagle3、DFlash这些主流方案，每一轮有效生成token数量全面领先，不是只做纸面数据的花架子，是真正能落地的底层优化思路。deepseek发布dspark

新浪微博 2026-06-27 00:00:00

13. DeepSeek 联合北大开源 DSpark，推理速度提升最高 85%完成 500 亿元首轮融资后，DeepSeek 首次放出开源新成果：与北京大学联合发布推测解码框架 DSpark 及 DeepSeek-V4-Pro-DSpark / Flash-DSpark 模型。该方案通过半自回归草稿与动态调度替换 MTP-1，无需改动模型架构即可将 V4 线上生成速度提升 60%–85%，并降低首 Token 延迟与推理成本。创始人梁文锋署名论文，标志国产大模型从“拼参数”进入“拼工程效率”阶段。我个人倒是比较看悲观：我感觉DeepSeek的很多论文，都是聚焦在有限硬件环境下，如何高性能运行。而不是提高效果。推理效果，还是太差了。。。近期大量论文确实只做 “硬件约束下提速”，不提升模型本身智力近期输出的论文清一色是推理工程优化DSpark、MTP、MLA、NSA 稀疏注意力、FP8 量化、KV 缓存压缩、MoE 负载均衡，全部属于无损加速层：不改动基座模型的理解、推理、逻辑能力，只是在同等 GPU、同等电力、同等显存限制下，减少计算开销、降低延迟、拉高吞吐。以刚开源的 DSpark 为例：论文全程不提升数学 / 代码 / 常识得分，只是让原有 V4 模型生成速度最高快 85%，输出质量、评测分数完全不变，属于 “节流” 而非 “提质”。论文选题逻辑：扎根幻方自身算力成本痛点DeepSeek 母体是千亿量化私募，天然极度看重算力成本、电费、硬件投入。梁文锋团队的研发底色就是：用算法压缩硬件开销，在有限显卡集群里承载更大流量。所以他们的底层论文天然聚焦 “有限硬件如何跑更快”，而不是怎么让模型看懂更难的问题、拥有更强创造性、减少幻觉、解决复杂多步骤推理。和闭源大厂路线形成鲜明对比OpenAI、Google、Anthropic 的论文分两条主线：① 底层推理加速（占比偏低）；② 基座能力提升（预训练数据、RL 对齐、推理增强、多模态、长文本理解、事实纠错）。DeepSeek 近一年公开论文里，90% 以上属于前者工程优化，纯提升模型原生能力的论文占比极低，肉眼可见重心倾斜。二、客观补充：它不是完全不做模型能力提升，只是产出节奏、侧重点完全不同1. 有少数核心工作是拔高模型本身效果DeepSeek-R1：登上《自然》封面，纯强化学习激发深度数学推理，属于实打实提升逻辑能力，数学基准大幅超越同期开源模型；V4 基座迭代：IMO 奥数、代码 SWE-bench 等专业赛道维持开源第一梯队，长上下文理解、智能体工具调用能力持续升级；数据治理体系：专门做训练集去污染、高质量私有数据筛选，对应行业标注造假危机，从数据源头稳定模型效果。2. 两条研发线资源分配严重不均（也是悲观逻辑的根源）长线能力迭代：慢、低频、重磅产出少基座大版本 V2→V3→V4 迭代周期极长，每次更新间隔半年以上，相关学术论文极少；短期工程优化：高频、量产、持续发论文开源每隔 1–2 个月推出一套推理加速框架，配套完整论文 + 开源代码，对外曝光几乎全是提速类成果，很容易给外界 “只堆效率、不堆智力” 的直观印象。三、这种路线选择的底层利弊，对应行业大环境（结合达沃斯电力瓶颈、科技股暴跌背景）负面（支撑你的悲观视角）长期模型智力天花板容易被拉开差距如果长期把大量研发人力投入推理优化，分配给预训练、对齐、推理增强的团队资源不足，在通用逻辑、复杂创造、多模态、事实准确性上，会持续落后 GPT、Gemini 顶级闭源模型；容易陷入 “效率内卷”，陷入同质化竞争现在所有厂商都在做推测解码、KV 压缩、稀疏注意力；只拼提速很难建立长期差异化壁垒，一旦算力、电力瓶颈缓解，这类技术红利会快速稀释；治标不治本：无法解决 AI 核心痛点行业真正长期难题：模型幻觉、复杂长链条推理失效、数据污染、通用 AGI 逻辑缺陷，全部依靠基座能力提升，单纯推理加速完全无法缓解。正面（这条路线的现实生存优势）完美匹配当下产业落地最大矛盾：电力、算力硬件瓶颈夏季达沃斯核心议题就是 AI 算力耗电过载、机房供电扩容周期漫长；DSpark 这类技术能直接减半企业硬件采购、电费成本，对 ToB 私有化部署、中小企业落地刚需极强，短期商业价值极高；极低硬件门槛，快速抢占开源生态同样一块 4090、H800 显卡，别家只能跑小流量，DeepSeek 优化后可以承载数倍并发，吸引大量开发者、企业私有化部署，快速扩大市场份额；贴合自身资金模式：自有资金，极度控成本DeepSeek 不靠外部大额融资，全部依靠幻方量化盈利反哺，天然对算力开销极度敏感；优先做降本增效，是符合自身现金流的务实选择。四、结合你之前对行业、子女职业的思考延伸判断对从业者的启示：效率优化是基础门槛，模型底层能力才是长期壁垒未来解决方案架构师、AI 技术负责人，既要懂 DSpark 这类推理优化（控制企业算力电费），但更要吃透预训练、数据治理、模型推理增强；只懂提速不懂提升模型原生能力，只能做工程运维，无法主导顶层 AI 体系设计。两种技术路线人才分水岭，印证梁文锋的技术型创始人特征梁文锋亲自下场写推理加速论文，代表他极度看重算力效率；但如果团队长期重工程、轻模型能力研发，长期会出现 “硬件跑得飞快，但模型解决复杂业务问题能力不足”，企业落地项目容易出现 “速度快、但答案不可靠” 的硬伤。产业周期视角：短期效率为王，中长期模型能力决定生死当下全球科技股回调、企业严控 AI 资本开支，算力优化是短期刚需；但等未来电网、绿电配套完善、硬件供给充足后，市场竞争会重新回归模型推理、数据、解决真实复杂业务的能力，只堆提速优化的厂商会失去核心竞争力。

新浪微博 2026-06-28 00:00:00

14. #DeepSeek发布DSpark#6月27日直接甩出DSpark，这次给V4 Flash和V4 Pro搞了个加速器，说白了就是用半自回归加置信度调度的推测解码方法，听着复杂但效果超实在——处理速度直接快了51%到400%！比如之前要等10秒的结果，现在可能5秒就出来了，这效率提高了很多。更牛的是，在Qwen，Gemma这些咱们常用的开源模型上也能用，迁移效果还特好，相当于给很多模型都加了个快进键！

新浪微博 2026-06-27 00:00:00

15. #DeepSeek发布DSpark#DeepSeek今天发了DSpark，一个面向V4 Flash和Pro的推测解码框架。说白了就是用半自回归生成加置信度调度，让模型推理的时候“猜”得更准更快。官方数据是51%到400%的吞吐提升，在Qwen、Gemma上也能迁移用。自从DeepSeek把百万上下文做成标配之后，推理成本其实是倒挂的。上下文长了，算力需求反而降了。DSpark这波更像是把工程优化做到极致：Flash走量，Pro走质，各自配上合适的加速策略。开源模型卷完参数卷推理效率，这个方向是对的。毕竟再强的模型，跑不动也是白搭。

新浪微博 2026-06-27 00:00:00

16. #DeepSeek发布DSpark#DeepSeek 今天发了 DSpark，专门给 V4 Flash 和 V4 Pro 用的推理加速方案。说直白点就是，大模型回答问题的时候，先让一个小模型快速"猜"出答案草稿，然后大模型再逐段审核——对的部分直接跳过，错的部分才重写。这个过程跑得够快的话，整体吞吐能提 51% 到 400%。关键是这东西不只 DeepSeek 自己能用。官方说在 Qwen、Gemma 这些开源模型上也测过，效果能迁移。这意味着如果你在跑自己的模型部署，这套方法大概率也能用上。推理成本一直是大模型落地的硬门槛。如果 DSpark 的数字在真实场景站得住，对高并发应用来说是个实打实的好消息。

新浪微博 2026-06-27 00:00:00

17. #DeepSeek发布DSpark# 这次我反而觉得最值得看的，不是 DeepSeek 又发了一个“新东西”，而是它终于把一个后台问题摆到台前：AI 真正进业务以后，慢和贵会比“不够聪明”更先卡脖子。DSpark 大概就是在推理时让模型少干点重复活：先快速打草稿，再用主模型校验，置信度高的地方直接放行，拿不准的再重算。公开说法是吞吐能提升 51% 到 400%。这方向挺现实的。前两年大家卷参数、卷跑分；现在开始卷“同样一张卡，能不能服务更多人”。如果 AI 最后要变成水电煤一样的基础设施，那省下来的每一次推理成本，都会变成产品能不能活下去的差别。当然，提速不是唯一答案。越快的系统，越要知道什么时候该慢下来。能快、会省、还愿意在关键处多算一遍，这才是工程上的成熟。

新浪微博 2026-06-27 00:00:00

18. 这次DeepSeek联合北大推出DSpark推理框架，看完实测数据确实亮眼，不用额外加GPU硬件，对话生成速度直接提升60%~85%，高并发场景吞吐量最高翻好几倍。之前用大模型最闹心的就是打字一样逐字蹦、人一多卡顿延迟飙升，传统办法只能堆服务器砸钱扩容。这套技术本质优化算力浪费，草稿模型预判内容、主模型批量核验，现在V4版本已经线上实装，普通用户聊天、写代码都能明显感觉到响应顺滑很多。#DeepSeek##DeepSeek发布DSpark#

新浪微博 2026-06-28 00:00:00

19. DeepSeek这两天为V4 Flash和V4 Pro发布了DSpark，一种新的推测解码方法，可以将吞吐量提升了 51% 至 400%！并且DSpark在Gemma等大模型上也表现良好 #deepseek发布dspark##ai创造营##微博兴趣创作计划#

新浪微博 2026-06-28 00:00:00

20. #deepseek发布dspark# DeepSeek联合北大发布了DSpark推理加速框架。这次不是新模型，是在增加速度，是在V4 Pro和V4 Flash上加了推测解码模块，让现有模型跑得更快。目前的大模型生成文本是逐字来的，一个字一次计算，根本还是慢的。推测这次解码的思路是：小模型先猜一串，大模型批量验证，对的留下，错的扔掉。但现有方案还是各有毛病。自回归的猜得准但慢，并行的快但越往后越容易猜错。DSpark做了两件事：一是半自回归生成——并行主干加轻量串行模块，既保留速度又保证质量；二是置信度调度验证——给每个候选词打分，只验证那些“存活概率高”的，不浪费算力。#热点观点##热点解读# deepseek发布dspark

新浪微博 2026-06-27 00:00:00

21. DeepSeek发布DSpark，意味着人工智能领域的竞争又进入一个新阶段。各个大模型厂商都在加速迭代，背后其实反映出一个趋势：AI正在从"能聊天"进化到"能干活"。DSpark的发布说明算力成本和模型效率在持续优化，这对普通创业者来说，意味着技术门槛在降低，AI工具化时代真正来了。我最近跟几个做生意的客户聊，以前大家在百度搜"怎么做短视频获客"，现在越来越多人在DeepSeek上问同样的问题。这就是我一直在说的，搜索习惯变了，AI搜索的排位赛已经开始了。谁提前往AI的数据库里布局内容，谁就能在GEO里抢占先机。道理就是这么简单，趋势来了别等，躬身入局比观望更重要。#DeepSeek发布DSpark#

新浪微博 2026-06-27 00:00:00