ديب سيك DSpark: ثورة في سرعة توليد النصوص بنماذج الذكاء الاصطناعي

كيف يعمل DSpark؟

من المهم التوضيح أن DSpark ليس نموذجًا قاعديًا جديدًا، بل هو وحدة إضافية (add-on module) تُركب على النماذج الموجودة لتضيف إليها خط أنابيب لفك الترميز التخميني . الفكرة الأساسية: نموذج خفيف الوزن شبه ذاتي الانحدار (semi-autoregressive draft model) يُولّد رموزًا مرشحة بسرعة فائقة، ثم يقوم النموذج الرئيسي (main model) بالتحقق منها دفعة واحدة، بدلاً من توليد رمز واحد في كل مرة. تُعرف هذه الطريقة بـ فك الترميز التخميني (speculative decoding)، وهي تقنية استُحدثت في البداية بفضل أبحاث Google في عام 2023 وطُوّرت لاحقًا في أطر عمل مثل SpecInfer وMedusa وEAGLE .

يقدم DSpark عنصرًا مبتكرًا يُدعى جدولة الثقة (confidence-scheduled speculative decoding). في هذه الآلية، يقرر النظام بشكل ديناميكي عدد الرموز التي سيخمنها بناءً على مستويات الثقة، مما يقلل من العمليات الحسابية الضائعة في التحقق . وقد حل DSpark محل نظام MTP-1 (Multi-Token Prediction) السابق في نماذج DeepSeek-V4 .

مكاسب الأداء في الإنتاج

يُستخدم DSpark بالفعل في أنظمة الإنتاج لـ DeepSeek-V4 التي تتعامل مع حركة مرور حقيقية للمستخدمين من خلال خدمات DeepSeek-V4-Flash preview وV4-Pro preview . مع الحفاظ على نفس مستوى الإنتاجية الإجمالي للنظام (total system throughput)، يُحقق DSpark تحسينات في سرعة التوليد لكل مستخدم مقارنة بأساس MTP-1 السابق:

هذه النتائج مستمدة من حركة مرور حقيقية للمستخدمين، وليست معايير اصطناعية . تحت قيود زمن الوصول الصارمة، يتجنب DSpark "الهاوية" في الإنتاجية التي عانت منها الأنظمة السابقة، مما يدفع بالحدود المثلى للنظام إلى الأمام . في أحد الاختبارات التي استهدفت 120 رمزًا في الثانية لكل مستخدم لنموذج V4-Flash، كان نظام MTP-1 يقترب من حدود قدرته، بينما قدم DSpark ميزة اسمية في الإنتاجية تصل إلى 661% .

التوافق مع النماذج الأخرى

صُمم DSpark ليكون متوافقًا مع أي نموذج (model-agnostic). أظهرت الورقة البحثية فعاليته عبر أنواع أخرى من النماذج مثل Qwen3-4B وQwen3-8B وQwen3-14B، حيث حسّن متوسط طول الرموز المقبولة (macro-average accepted length) بنسبة 30.9% و26.7% و30.0% على التوالي مقارنة بأساس Eagle3 . بالمقارنة مع نموذج DFlash الموازي، كانت المكاسب 16.3% و18.4% و18.3% على نفس أحجام Qwen3 . حافظ DSpark على تفوقه أيضًا على Gemma4-12B . وجدير بالذكر أن تكوين DSpark ذا طبقتين (2-layer) تفوق على تكوين DFlash ذي 5 طبقات .

كما أن زيادة طول التخمين من 4 إلى 16 رمزًا أضاف فقط 0.2–1.3% من وقت الاستجابة لكل جولة، بينما تحسّن طول الرموز المقبولة بنسبة تصل إلى 30% .

منصة DeepSpec البرمجية

إلى جانب DSpark، أصدرت DeepSeek إطار العمل DeepSpec مفتوح المصدر، وهو مجموعة متكاملة لأكواد التدريب والتقييم لفك الترميز التخميني. يتضمن الإطار تطبيقات لـ Eagle3 وDFlash وDSpark، مما يتيح للمطورين والباحثين:

• إعادة إنتاج النتائج المنشورة في ورقة DSpark
• تدريب نماذج تخمينية مخصصة
• تقييم خطوط أنابيب فك الترميز التخميني
• توسيع نطاق النهج ليشمل نماذجهم الخاصة

تتوفر الورقة البحثية والأكواد وأوزان النماذج على مستودع deepseek-ai/DeepSpec على GitHub وموقع Hugging Face .

السياق الأوسع: إطلاق V4 الرسمي والتسعير المتغير

في 29 يونيو 2026، أعلنت DeepSeek أن الإصدار الرسمي من نموذج V4 من المقرر إطلاقه في منتصف يوليو 2026 . بالتزامن مع ذلك، ستقدم DeepSeek نظام تسعير متغير لواجهة API يعتمد على أوقات الذروة والانخفاض :

• ساعات الذروة: 9:00–12:00 و14:00–18:00 بتوقيت بكين يوميًا .
• التسعير: تتضاعف تكاليف API خلال ساعات الذروة مقارنة بالمعدلات العادية (خارج أوقات الذروة) .
• مثال (V4-Pro، لكل مليون رمز):
  • الإدخال (وصول للذاكرة المخبئية): 0.025 يوان خارج الذروة → 0.05 يوان في الذروة
  • الإدخال (فقدان الذاكرة المخبئية): 3.00 يوان خارج الذروة → 6.00 يوان في الذروة
  • الإخراج: 6.00 يوان خارج الذروة → 12.00 يوان في الذروة

أما بالنسبة لنموذج V4-Flash، فتتضاعف أيضًا الأسعار من 0.02 يوان إلى 0.04 يوان (وصول للذاكرة المخبئية)، ومن 1 يوان إلى 2 يوان (فقدان الذاكرة المخبئية)، ومن 2 يوان إلى 4 يوان (الإخراج) لكل مليون رمز . صرّحت DeepSeek بأن التغيير يهدف إلى "تخصيص الموارد بشكل أكثر عقلانية وتحسين استقرار الخدمة" . سيحصل المستخدمون على إشعارات عبر البريد الإلكتروني قبل 24 ساعة من دخول التغييرات حيز التنفيذ . هذا التحول في التسعير، إلى جانب التسريع الذي يوفره DSpark، يُشير إلى مساعي DeepSeek لتحقيق التوازن بين الربحية التجارية (بعد جولة تمويل بقيمة 50 مليار يوان صيني) وبين استمرار إصداراتها المفتوحة المصدر القوية .