DeepSeek dévoile DSpark : l'inférence de V4 jusqu'à 85% plus rapide, sans nouveau modèle

Le 27 juin 2026, DeepSeek, en collaboration avec l'Université de Pékin, a publié en open source DSpark, un framework de décodage spéculatif conçu pour accélérer l'inférence des grands modèles de langage (LLM). Parallèlement, DeepSeek a libéré DeepSpec, une suite complète d'entraînement et d'évaluation, ainsi que les poids des modèles DeepSeek-V4-Flash et V4-Pro intégrant DSpark . L'article scientifique, intitulé « DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation », est signé par le PDG Liang Wenfeng .

Comment fonctionne DSpark ?

DSpark n'est pas un nouveau modèle de base. C'est un module complémentaire qui s'ajoute aux modèles existants pour mettre en place un pipeline de décodage spéculatif . Le mécanisme central est le suivant : un petit modèle de « brouillon » semi-autorégressif génère rapidement des tokens candidats, puis le modèle principal les vérifie par lots, plutôt que de générer un token à la fois. Cette approche est connue sous le nom de décodage spéculatif, une technique introduite par Google Research en 2023 et affinée par des frameworks comme SpecInfer, Medusa et EAGLE .

DSpark introduit une innovation appelée décodage spéculatif à ordonnancement par confiance. Le système décide dynamiquement du nombre de tokens à spéculer en fonction des niveaux de confiance, ce qui réduit les calculs de vérification inutiles . Il remplace le précédent schéma MTP-1 (Multi-Token Prediction) de DeepSeek-V4 en production .

Gains de performance en production

DSpark est déjà déployé sur les systèmes de production de DeepSeek-V4 qui traitent le trafic utilisateur réel des services d'aperçu DeepSeek-V4-Flash et DeepSeek-V4-Pro . À débit système total identique, DSpark offre les améliorations de vitesse de génération par utilisateur suivantes par rapport à la base MTP-1 :

Modèle	Amélioration de la vitesse de génération par utilisateur
DeepSeek-V4-Flash	60% à 85% plus rapide
DeepSeek-V4-Pro	57% à 78% plus rapide

Ces résultats proviennent du trafic utilisateur réel, et non de benchmarks synthétiques . Sous des contraintes de latence strictes, DSpark évite le goulet d'étranglement de débit dont souffraient les schémas précédents, repoussant la frontière de Pareto du système . Dans un test visant 120 tokens/seconde/utilisateur pour V4-Flash, MTP-1 était proche de sa limite tandis que DSpark offrait un avantage de débit nominal de 661% .

Compatibilité multi-modèles

DSpark est conçu pour être agnostique vis-à-vis des modèles. L'article démontre son efficacité sur d'autres architectures que DeepSeek : sur Qwen3-4B, Qwen3-8B et Qwen3-14B, DSpark a amélioré la longueur moyenne de tokens acceptés de 30,9%, 26,7% et 30,0% respectivement par rapport à la base Eagle3 . Par rapport au modèle de brouillon parallèle DFlash, les gains sont de 16,3%, 18,4% et 18,3% sur les mêmes tailles Qwen3 . DSpark a également conservé son avance sur Gemma4-12B . Notamment, une configuration DSpark à 2 couches a surpassé une configuration DFlash à 5 couches .

L'extension de la longueur de brouillon de 4 à 16 tokens n'ajoute que 0,2 à 1,3% de latence par tour, tandis que la longueur de tokens acceptés s'améliore jusqu'à 30% .

La suite logicielle DeepSpec

Avec DSpark, DeepSeek a open-sourcé DeepSpec, un framework complet d'entraînement et d'évaluation pour le décodage spéculatif. Il inclut des implémentations d'Eagle3, DFlash et DSpark, et permet aux développeurs et chercheurs de :

• Reproduire les résultats rapportés dans l'article DSpark
• Entraîner des modèles de brouillon personnalisés
• Évaluer des pipelines de décodage spéculatif
• Étendre l'approche à leurs propres modèles

L'article, le code et les poids des modèles sont hébergés dans le dépôt deepseek-ai/DeepSpec sur GitHub et sur Hugging Face .

Contexte plus large : lancement officiel de V4 et tarification heures pleines/creuses

Le 29 juin 2026, DeepSeek a annoncé que la sortie officielle de DeepSeek V4 est prévue pour mi-juillet 2026 . Parallèlement, DeepSeek introduira une structure de tarification API en fonction des heures de pointe et creuses (tarification dynamique) :

• Heures de pointe : 9h00–12h00 et 14h00–18h00, heure de Pékin, tous les jours .
• Tarification : les coûts API doublent pendant les heures de pointe par rapport aux tarifs hors pointe (standard) .
• Exemple (V4-Pro, par million de tokens) :
  • Entrée (cache hit) : 0,025 RMB hors pointe → 0,05 RMB en pointe
  • Entrée (cache miss) : 3,00 RMB hors pointe → 6,00 RMB en pointe
  • Sortie : 6,00 RMB hors pointe → 12,00 RMB en pointe

Pour V4-Flash, la tarification de pointe correspondante double, passant de 0,02 RMB à 0,04 RMB (cache hit), 1 RMB à 2 RMB (cache miss) et 2 RMB à 4 RMB (sortie) par million de tokens . DeepSeek a indiqué que ce changement vise à « allouer les ressources de manière plus rationnelle et améliorer la stabilité du service » . Les utilisateurs recevront des notifications par email 24 heures avant l'entrée en vigueur des modifications de facturation . Ce changement de prix, combiné aux accélérations de DSpark, signale la volonté de DeepSeek d'équilibrer la monétisation commerciale (après son tour de financement d'environ 50 milliards de RMB) avec la poursuite de publications agressives en open source .