DeepSeek DSpark versnelt AI-modellen tot 85%: Dit moet je weten over de open-source revolutie

Op 27 juni 2026 maakten DeepSeek en de Universiteit van Peking de broncode openbaar van DSpark, een speculatief decoding-framework dat de inferentie van grote taalmodellen (LLM's) versnelt .

Wat is DSpark?
DSpark is geen nieuw basismodel. Het is een add-on module die bestaande modelcontrolepunten (checkpoints) uitrust met een speculatieve decoding-pijplijn . De kern is een lichtgewicht semi-autoregressief draft model dat snel kandidaat-tokens genereert. Het hoofdmodel controleert deze tokens vervolgens in batches, in plaats van ze één voor één te genereren. DSpark introduceert een nieuw element: confidence-scheduled speculative decoding. Het systeem bepaalt dynamisch hoeveel tokens het moet speculeren op basis van vertrouwensniveaus, waardoor verspilde rekenkracht wordt verminderd . Het verving DeepSeek-V4's eerdere MTP-1-schema in productie .

Prestatiewinsten in de praktijk
DSpark is al in gebruik in de productiesystemen van DeepSeek-V4 en verwerkt echt gebruikersverkeer . Bij dezelfde totale systeemdoorvoer levert DSpark de volgende verbeteringen in generatiesnelheid per gebruiker, vergeleken met het eerdere MTP-1-systeem:

Model	Verbetering generatiesnelheid per gebruiker
DeepSeek-V4-Flash	60% tot 85% sneller
DeepSeek-V4-Pro	57% tot 78% sneller

Deze resultaten zijn gebaseerd op echt gebruikersverkeer op de DeepSeek-V4-Flash preview en V4-Pro preview diensten, en niet op synthetische benchmarks . In een test met een streefwaarde van 120 tokens/seconde/gebruiker voor V4-Flash had MTP-1 zijn capaciteitslimiet bijna bereikt, terwijl DSpark een nominale doorvoerwinst van 661% opleverde .

Werkt met andere modellen
DSpark is modelonafhankelijk ontworpen. Het paper toont de effectiviteit aan bij andere architecturen dan DeepSeek: op Qwen3-modellen verbeterde DSpark de macro-gemiddelde geaccepteerde lengte met 26,7% tot 30,9% ten opzichte van de Eagle3-baseline . Een 2-laags DSpark-configuratie presteerde zelfs beter dan een 5-laags DFlash-configuratie .

De DeepSpec-codebase
Samen met DSpark open-sourcete DeepSeek DeepSpec, een full-stack framework voor het trainen en evalueren van speculatieve decoding. Het bevat implementaties van Eagle3, DFlash en DSpark, en stelt ontwikkelaars en onderzoekers in staat om resultaten te reproduceren, aangepaste draft modellen te trainen en de aanpak uit te breiden naar hun eigen modellen .

Officiële V4 lancering en piek-dalprijzen
Op 29 juni 2026 kondigde DeepSeek aan dat de officiële DeepSeek V4-release gepland staat voor half juli 2026 . Tegelijkertijd wordt een piek-dalprijsmodel (tijd-van-de-dag) voor de API geïntroduceerd :

• Piekuren: Dagelijks van 9:00-12:00 en 14:00-18:00 (Beijing-tijd) .
• Prijzen: API-kosten verdubbelen tijdens piekuren ten opzichte van daluren (standaard) .
• Voorbeeld (V4-Pro, per miljoen tokens):
  • Invoer (cache-hit): 0,025 RMB dal → 0,05 RMB piek
  • Invoer (cache-miss): 3,00 RMB dal → 6,00 RMB piek
  • Uitvoer: 6,00 RMB dal → 12,00 RMB piek

DeepSeek gaf aan dat de wijziging bedoeld is om "bronnen rationeler toe te wijzen en de servicestabiliteit te verbeteren" . Deze combinatie van snelheidswinsten en prijsaanpassingen laat zien dat DeepSeek commerciële belangen (na een financieringsronde van ongeveer 50 miljard RMB) combineert met agressieve open-source releases .