DeepSeek ו-Peking University חושפות DSpark: המסגרת שמאיצה מודלי שפה גדולים בעד 85%
DSpark, מסגרת קידוד ספקולטיבי בקוד פתוח מ DeepSeek ו Peking University, מאיצה את DeepSeek V4 Flash ב 60% 85% ואת DeepSeek V4 Pro ב 57% 78% תוך שימוש בעומסי משתמשים אמיתיים המסגרת אינה דורשת מודל בסיס חדש, אלא מוסיפה שכבת קידוד ספקולטיבי למודלים קיימים, ומשפרת את ה accepted length ב 30% מול Eagle3 ב Qwen3 DeepSeek תש...
פורסם על ידינערך באמצעות DeepSeek-V4-Flashהתמונות נוצרו באמצעות GPT Image 1.5
DSpark, מסגרת קידוד ספקולטיבי בקוד פתוח מ DeepSeek ו Peking University, מאיצה את DeepSeek V4 Flash ב 60% 85% ואת DeepSeek V4 Pro ב 57% 78% תוך שימוש בעומסי משתמשים אמיתיים
המסגרת אינה דורשת מודל בסיס חדש, אלא מוסיפה שכבת קידוד ספקולטיבי למודלים קיימים, ומשפרת את ה accepted length ב 30% מול Eagle3 ב Qwen3
DeepSeek תשיק ביולי 2026 את V4 הרשמי עם תמחור peak (שעות 9:00 12:00 ו 14:00 18:00) הכפול מהרגיל, במטרה לאזן בין מונטיזציה ל open source
Search & fact-check with cited sources for What are the key details of DeepSeek's open-source DSpark speculative decoding framework releasedAn abstract visualization representing the DSpark speculative decoding framework from DeepSeek and Peking University.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for What are the key details of DeepSeek's open-source DSpark speculative decoding framework released. Article summary: Here are the key details, fully sourced:. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
ב-27 ביוני 2026, DeepSeek בשיתוף Peking University השיקה DSpark, מסגרת קידוד ספקולטיבי בקוד פתוח המיועדת להאיץ את החישוב של מודלי שפה גדולים (LLMs). לצד המסגרת, DeepSeek פרסמה ערכת פיתוח מלאה בשם DeepSpec הכוללת קוד אימון והערכה, כמו גם checkpoints למודלים DeepSeek-V4-Flash ו-V4-Pro עם DSpark משולב . המאמר, שכותרתו "DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation", חתום על ידי מנכ"ל DeepSeek, Liang Wenfeng .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "DeepSeek ו-Peking University חושפות DSpark: המסגרת שמאיצה מודלי שפה גדולים בעד 85%"?
DSpark, מסגרת קידוד ספקולטיבי בקוד פתוח מ DeepSeek ו Peking University, מאיצה את DeepSeek V4 Flash ב 60% 85% ואת DeepSeek V4 Pro ב 57% 78% תוך שימוש בעומסי משתמשים אמיתיים
What are the key points to validate first?
DSpark, מסגרת קידוד ספקולטיבי בקוד פתוח מ DeepSeek ו Peking University, מאיצה את DeepSeek V4 Flash ב 60% 85% ואת DeepSeek V4 Pro ב 57% 78% תוך שימוש בעומסי משתמשים אמיתיים המסגרת אינה דורשת מודל בסיס חדש, אלא מוסיפה שכבת קידוד ספקולטיבי למודלים קיימים, ומשפרת את ה accepted length ב 30% מול Eagle3 ב Qwen3
What should I do next in practice?
DeepSeek תשיק ביולי 2026 את V4 הרשמי עם תמחור peak (שעות 9:00 12:00 ו 14:00 18:00) הכפול מהרגיל, במטרה לאזן בין מונטיזציה ל open source
DeepSeek ו-Peking University חושפות DSpark: המסגרת שמאיצה מודלי שפה גדולים בעד 85%
DSpark, מסגרת קידוד ספקולטיבי בקוד פתוח מ DeepSeek ו Peking University, מאיצה את DeepSeek V4 Flash ב 60% 85% ואת DeepSeek V4 Pro ב 57% 78% תוך שימוש בעומסי משתמשים אמיתיים המסגרת אינה דורשת מודל בסיס חדש, אלא מוסיפה שכבת קידוד ספקולטיבי למודלים קיימים, ומשפרת את ה accepted length ב 30% מול Eagle3 ב Qwen3 DeepSeek תש...
פורסם על ידינערך באמצעות DeepSeek-V4-Flashהתמונות נוצרו באמצעות GPT Image 1.5
DSpark, מסגרת קידוד ספקולטיבי בקוד פתוח מ DeepSeek ו Peking University, מאיצה את DeepSeek V4 Flash ב 60% 85% ואת DeepSeek V4 Pro ב 57% 78% תוך שימוש בעומסי משתמשים אמיתיים
המסגרת אינה דורשת מודל בסיס חדש, אלא מוסיפה שכבת קידוד ספקולטיבי למודלים קיימים, ומשפרת את ה accepted length ב 30% מול Eagle3 ב Qwen3
DeepSeek תשיק ביולי 2026 את V4 הרשמי עם תמחור peak (שעות 9:00 12:00 ו 14:00 18:00) הכפול מהרגיל, במטרה לאזן בין מונטיזציה ל open source
Search & fact-check with cited sources for What are the key details of DeepSeek's open-source DSpark speculative decoding framework releasedAn abstract visualization representing the DSpark speculative decoding framework from DeepSeek and Peking University.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for What are the key details of DeepSeek's open-source DSpark speculative decoding framework released. Article summary: Here are the key details, fully sourced:. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
ב-27 ביוני 2026, DeepSeek בשיתוף Peking University השיקה DSpark, מסגרת קידוד ספקולטיבי בקוד פתוח המיועדת להאיץ את החישוב של מודלי שפה גדולים (LLMs). לצד המסגרת, DeepSeek פרסמה ערכת פיתוח מלאה בשם DeepSpec הכוללת קוד אימון והערכה, כמו גם checkpoints למודלים DeepSeek-V4-Flash ו-V4-Pro עם DSpark משולב . המאמר, שכותרתו "DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation", חתום על ידי מנכ"ל DeepSeek, Liang Wenfeng .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "DeepSeek ו-Peking University חושפות DSpark: המסגרת שמאיצה מודלי שפה גדולים בעד 85%"?
DSpark, מסגרת קידוד ספקולטיבי בקוד פתוח מ DeepSeek ו Peking University, מאיצה את DeepSeek V4 Flash ב 60% 85% ואת DeepSeek V4 Pro ב 57% 78% תוך שימוש בעומסי משתמשים אמיתיים
What are the key points to validate first?
DSpark, מסגרת קידוד ספקולטיבי בקוד פתוח מ DeepSeek ו Peking University, מאיצה את DeepSeek V4 Flash ב 60% 85% ואת DeepSeek V4 Pro ב 57% 78% תוך שימוש בעומסי משתמשים אמיתיים המסגרת אינה דורשת מודל בסיס חדש, אלא מוסיפה שכבת קידוד ספקולטיבי למודלים קיימים, ומשפרת את ה accepted length ב 30% מול Eagle3 ב Qwen3
What should I do next in practice?
DeepSeek תשיק ביולי 2026 את V4 הרשמי עם תמחור peak (שעות 9:00 12:00 ו 14:00 18:00) הכפול מהרגיל, במטרה לאזן בין מונטיזציה ל open source
DSpark אינה מודל בסיס חדש, אלא תוסף המאפשר למודלים קיימים לפעול במהירות גבוהה יותר באמצעות קידוד ספקולטיבי (speculative decoding) . הרעיון פשוט אך גאוני: מודל "טיוטה" קל משקל (semi-autoregressive draft model) מייצר במהירות מועמדים ל-tokens, והמודל הראשי מאמת אותם בקבוצות - במקום ליצור token אחר token. טכניקה זו, הנקראת speculative decoding, הוצגה לראשונה על ידי Google Research ב-2023 ושוכללה במסגרות כמו SpecInfer, Medusa ו-EAGLE .
DSpark מוסיפה שכבה חדשה בשם confidence-scheduled speculative decoding, המחליטה אוטומטית כמה tokens לייצר על בסיס רמת הביטחון (confidence), מה שמפחית בזבוז חישובי . היא מחליפה את שיטת MTP-1 (Multi-Token Prediction) הקודמת .
שיפור ביצועים בייצור
DSpark כבר מוטמעת במערכות הייצור של DeepSeek-V4 (גרסאות Flash ו-Pro) עבור תעבורת משתמשים אמיתית . בהשוואה ל-MTP-1, באותה תפוקת מערכת (throughput), השיפור במהירות הייצור למשתמש יחיד הוא:
מודל
שיפור במהירות ייצור למשתמש יחיד
DeepSeek-V4-Flash
60% עד 85%
DeepSeek-V4-Pro
57% עד 78%
הנתונים מגיעים מעומסי משתמשים אמיתיים, לא מבנצ'מרקים סינתטיים . תחת אילוצי latency מחמירים, DSpark מונעת את קריסת התפוקה (throughput cliff) שחוות שיטות קודמות, ודוחפת את גבול Pareto של המערכת . במבחן שהציב יעד של 120 tokens/sec/user ל-V4-Flash, MTP-1 כמעט הגיע לגבול היכולת שלו בעוד DSpark השיגה יתרון תפוקה נומינלי של 661% .
תאימות בין-מודלים (Model-Agnostic)
DSpark תוכננה להיות תואמת בין-מודלים. המאמר מדגים את יעילותה על ארכיטקטורות שאינן של DeepSeek: ב-Qwen3-4B, Qwen3-8B ו-Qwen3-14B, DSpark שיפרה את ה-macro-average accepted length ב-30.9%, 26.7% ו-30.0% בהתאמה יחסית ל-Eagle3 . בהשוואה ל-DFlash (דגם טיוטה מקבילי), השיפורים היו 16.3%, 18.4% ו-18.3% באותם גדלי Qwen3 . DSpark שמרה על היתרון גם ב-Gemma4-12B . מעניין לציין שתצורת DSpark עם 2 שכבות התעלתה על תצורת DFlash עם 5 שכבות .
שינוי אורך הטיוטה מ-4 ל-16 tokens הוסיף רק 0.2%-1.3% latency לסיבוב, בעוד שה-accepted length השתפר בעד 30% .
ערכת פיתוח DeepSpec
לצד DSpark, DeepSeek שחררה כקוד פתוח את DeepSpec, ערכת פיתוח מלאה ל-training והערכה של קידוד ספקולטיבי. היא כוללת יישומים של Eagle3, DFlash ו-DSpark, ומאפשרת למפתחים ולחוקרים:
לשחזר את התוצאות במאמר DSpark
לאמן מודלי טיוטה מותאמים אישית
להעריך צינורות קידוד ספקולטיבי
להרחיב את הגישה למודלים שלהם
המאמר, הקוד ומשקלי המודל מאוחסנים תחת deepseek-ai/DeepSpec ב-GitHub וב-Hugging Face .
ההקשר הרחב: השקת V4 רשמית ותמחור peak/off-peak
ב-29 ביוני 2026, DeepSeek הודיעה שפרויקט DeepSeek V4 הרשמי יושק באמצע יולי 2026. לצד ההשקה, DeepSeek תציג תמחור API על בסיס peak/off-peak:
שעות peak: 9:00-12:00 ו-14:00-18:00 (שעון בייג'ינג) .
תמחור: עלויות API יוכפלו בשעות peak ביחס ל-off-peak .
עבור V4-Flash, המחירים בהתאמה: 0.02 RMB → 0.04 RMB (cache hit), 1 RMB → 2 RMB (cache miss), 2 RMB → 4 RMB (פלט) למיליון tokens . DeepSeek מסבירה שהשינוי נועד "לנהל משאבים בצורה רציונלית יותר ולשפר את יציבות השירות" . משתמשים יקבלו הודעת דוא"ל 24 שעות לפני כניסת השינויים לתוקף .
מהלך זה, יחד עם השיפורים ב-DSpark, מאותת על דחיפה של DeepSeek לאיזון בין מונטיזציה מסחרית (לאחר סבב גיוס של כ-50 מיליארד RMB) לבין המשך שחרור Open Source אגרסיבי .
DSpark אינה מודל בסיס חדש, אלא תוסף המאפשר למודלים קיימים לפעול במהירות גבוהה יותר באמצעות קידוד ספקולטיבי (speculative decoding) . הרעיון פשוט אך גאוני: מודל "טיוטה" קל משקל (semi-autoregressive draft model) מייצר במהירות מועמדים ל-tokens, והמודל הראשי מאמת אותם בקבוצות - במקום ליצור token אחר token. טכניקה זו, הנקראת speculative decoding, הוצגה לראשונה על ידי Google Research ב-2023 ושוכללה במסגרות כמו SpecInfer, Medusa ו-EAGLE .
DSpark מוסיפה שכבה חדשה בשם confidence-scheduled speculative decoding, המחליטה אוטומטית כמה tokens לייצר על בסיס רמת הביטחון (confidence), מה שמפחית בזבוז חישובי . היא מחליפה את שיטת MTP-1 (Multi-Token Prediction) הקודמת .
שיפור ביצועים בייצור
DSpark כבר מוטמעת במערכות הייצור של DeepSeek-V4 (גרסאות Flash ו-Pro) עבור תעבורת משתמשים אמיתית . בהשוואה ל-MTP-1, באותה תפוקת מערכת (throughput), השיפור במהירות הייצור למשתמש יחיד הוא:
מודל
שיפור במהירות ייצור למשתמש יחיד
DeepSeek-V4-Flash
60% עד 85%
DeepSeek-V4-Pro
57% עד 78%
הנתונים מגיעים מעומסי משתמשים אמיתיים, לא מבנצ'מרקים סינתטיים . תחת אילוצי latency מחמירים, DSpark מונעת את קריסת התפוקה (throughput cliff) שחוות שיטות קודמות, ודוחפת את גבול Pareto של המערכת . במבחן שהציב יעד של 120 tokens/sec/user ל-V4-Flash, MTP-1 כמעט הגיע לגבול היכולת שלו בעוד DSpark השיגה יתרון תפוקה נומינלי של 661% .
תאימות בין-מודלים (Model-Agnostic)
DSpark תוכננה להיות תואמת בין-מודלים. המאמר מדגים את יעילותה על ארכיטקטורות שאינן של DeepSeek: ב-Qwen3-4B, Qwen3-8B ו-Qwen3-14B, DSpark שיפרה את ה-macro-average accepted length ב-30.9%, 26.7% ו-30.0% בהתאמה יחסית ל-Eagle3 . בהשוואה ל-DFlash (דגם טיוטה מקבילי), השיפורים היו 16.3%, 18.4% ו-18.3% באותם גדלי Qwen3 . DSpark שמרה על היתרון גם ב-Gemma4-12B . מעניין לציין שתצורת DSpark עם 2 שכבות התעלתה על תצורת DFlash עם 5 שכבות .
שינוי אורך הטיוטה מ-4 ל-16 tokens הוסיף רק 0.2%-1.3% latency לסיבוב, בעוד שה-accepted length השתפר בעד 30% .
ערכת פיתוח DeepSpec
לצד DSpark, DeepSeek שחררה כקוד פתוח את DeepSpec, ערכת פיתוח מלאה ל-training והערכה של קידוד ספקולטיבי. היא כוללת יישומים של Eagle3, DFlash ו-DSpark, ומאפשרת למפתחים ולחוקרים:
לשחזר את התוצאות במאמר DSpark
לאמן מודלי טיוטה מותאמים אישית
להעריך צינורות קידוד ספקולטיבי
להרחיב את הגישה למודלים שלהם
המאמר, הקוד ומשקלי המודל מאוחסנים תחת deepseek-ai/DeepSpec ב-GitHub וב-Hugging Face .
ההקשר הרחב: השקת V4 רשמית ותמחור peak/off-peak
ב-29 ביוני 2026, DeepSeek הודיעה שפרויקט DeepSeek V4 הרשמי יושק באמצע יולי 2026. לצד ההשקה, DeepSeek תציג תמחור API על בסיס peak/off-peak:
שעות peak: 9:00-12:00 ו-14:00-18:00 (שעון בייג'ינג) .
תמחור: עלויות API יוכפלו בשעות peak ביחס ל-off-peak .
עבור V4-Flash, המחירים בהתאמה: 0.02 RMB → 0.04 RMB (cache hit), 1 RMB → 2 RMB (cache miss), 2 RMB → 4 RMB (פלט) למיליון tokens . DeepSeek מסבירה שהשינוי נועד "לנהל משאבים בצורה רציונלית יותר ולשפר את יציבות השירות" . משתמשים יקבלו הודעת דוא"ל 24 שעות לפני כניסת השינויים לתוקף .
מהלך זה, יחד עם השיפורים ב-DSpark, מאותת על דחיפה של DeepSeek לאיזון בין מונטיזציה מסחרית (לאחר סבב גיוס של כ-50 מיליארד RMB) לבין המשך שחרור Open Source אגרסיבי .
finance.sina.com.cn单用户提速60-85% ！DeepSeek 联手北大开源DSpark - 新浪财经
news.qq.com梁文锋署名论文！DeepSeek首轮融资后大动作：生成速度大涨85%
together.aiBoosting DeepSeek-R1's Speed with Customized ...
gigazine.netDeepSeek has released 'DSpark,' which can improve the speed of AI language model generation by up to 85%.
hpc-ai.comSGLang Speculative Decoding Tutorial