DeepSeek DSpark: Slik gjør open-source-rammeverket V4 opptil 85 % raskere
DeepSeek og Pekinguniversitetet lanserte 27. juni 2026 DSpark – et open source spekulativ dekodingsrammeverk som akselererer inferens i store språkmodeller.
Publisert avRedigert med DeepSeek-V4-FlashBilder generert med GPT Image 1.5
DeepSeek og Pekinguniversitetet lanserte 27. juni 2026 DSpark – et open source spekulativ dekodingsrammeverk som akselererer inferens i store språkmodeller.
DSpark er ikke en ny modell, men et tilleggsmodul som lar en lettvektsmodell først generere kandidat tokens, som hovedmodellen deretter verifiserer i batcher.
I produksjon, med reell brukertrafikk, øker DSpark hastigheten per bruker med 60–85 % for DeepSeek V4 Flash og 57–78 % for DeepSeek V4 Pro.
Rammeverket er modellagnostisk og fungerer også på andre modellarkitekturer som Qwen3 og Gemma4.
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
27. juni 2026 lanserte DeepSeek, i samarbeid med Pekinguniversitetet, det nye open-source-rammeverket DSpark. Rammeverket er designet for å gjøre inferens i store språkmodeller raskere – uten å gå på bekostning av kvaliteten. Samtidig ble kodebasen sluppet, som gir utviklere og forskere verktøy for å trene og evaluere spekulative dekodingsmodeller.
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 DSpark: Slik gjør open-source-rammeverket V4 opptil 85 % raskere"?
DeepSeek og Pekinguniversitetet lanserte 27. juni 2026 DSpark – et open source spekulativ dekodingsrammeverk som akselererer inferens i store språkmodeller.
What are the key points to validate first?
DeepSeek og Pekinguniversitetet lanserte 27. juni 2026 DSpark – et open source spekulativ dekodingsrammeverk som akselererer inferens i store språkmodeller. DSpark er ikke en ny modell, men et tilleggsmodul som lar en lettvektsmodell først generere kandidat tokens, som hovedmodellen deretter verifiserer i batcher.
What should I do next in practice?
I produksjon, med reell brukertrafikk, øker DSpark hastigheten per bruker med 60–85 % for DeepSeek V4 Flash og 57–78 % for DeepSeek V4 Pro.
DeepSeek DSpark: Slik gjør open-source-rammeverket V4 opptil 85 % raskere
DeepSeek og Pekinguniversitetet lanserte 27. juni 2026 DSpark – et open source spekulativ dekodingsrammeverk som akselererer inferens i store språkmodeller.
Publisert avRedigert med DeepSeek-V4-FlashBilder generert med GPT Image 1.5
DeepSeek og Pekinguniversitetet lanserte 27. juni 2026 DSpark – et open source spekulativ dekodingsrammeverk som akselererer inferens i store språkmodeller.
DSpark er ikke en ny modell, men et tilleggsmodul som lar en lettvektsmodell først generere kandidat tokens, som hovedmodellen deretter verifiserer i batcher.
I produksjon, med reell brukertrafikk, øker DSpark hastigheten per bruker med 60–85 % for DeepSeek V4 Flash og 57–78 % for DeepSeek V4 Pro.
Rammeverket er modellagnostisk og fungerer også på andre modellarkitekturer som Qwen3 og Gemma4.
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
27. juni 2026 lanserte DeepSeek, i samarbeid med Pekinguniversitetet, det nye open-source-rammeverket DSpark. Rammeverket er designet for å gjøre inferens i store språkmodeller raskere – uten å gå på bekostning av kvaliteten. Samtidig ble kodebasen sluppet, som gir utviklere og forskere verktøy for å trene og evaluere spekulative dekodingsmodeller.
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 DSpark: Slik gjør open-source-rammeverket V4 opptil 85 % raskere"?
DeepSeek og Pekinguniversitetet lanserte 27. juni 2026 DSpark – et open source spekulativ dekodingsrammeverk som akselererer inferens i store språkmodeller.
What are the key points to validate first?
DeepSeek og Pekinguniversitetet lanserte 27. juni 2026 DSpark – et open source spekulativ dekodingsrammeverk som akselererer inferens i store språkmodeller. DSpark er ikke en ny modell, men et tilleggsmodul som lar en lettvektsmodell først generere kandidat tokens, som hovedmodellen deretter verifiserer i batcher.
What should I do next in practice?
I produksjon, med reell brukertrafikk, øker DSpark hastigheten per bruker med 60–85 % for DeepSeek V4 Flash og 57–78 % for DeepSeek V4 Pro.
DSpark er ikke en ny basismodell. Det er et tilleggsmodul som kan settes inn i eksisterende modellarkitekturer. Prinsippet kalles spekulativ dekoding: En lett og rask «kladdemodell» genererer først en rekke mulige neste-tokens (en «kladd»). Deretter verifiserer hovedmodellen hele denne sekvensen på én gang – i stedet for å generere ett og ett token. Dette ligner på teknikker introdusert av Google Research i 2023 og videreutviklet i rammeverk som SpecInfer, Medusa og EAGLE.
Det nye med DSpark er en mekanisme kalt konfidensstyrt spekulativ dekoding. Systemet bestemmer dynamisk hvor mange tokens det skal spekulere på basert på hvor sikker det er. Dette reduserer bortkastet regnekraft på unødvendig verifisering. DSpark har allerede erstattet DeepSeek-V4s tidligere MTP-1-ordning i produksjon.
Ytelsesforbedringer i praksis
DSpark er allerede i bruk i DeepSeek-V4s produksjonssystemer og håndterer reell brukertrafikk på DeepSeek-V4-Flash preview og DeepSeek-V4-Pro preview. Sammenlignet med den forrige MTP-1-baselinjen, og ved samme totale systemgjennomstrømning, oppnår DSpark følgende hastighetsøkninger per bruker:
Modell
Hastighetsøkning per bruker
DeepSeek-V4-Flash
60 % til 85 % raskere
DeepSeek-V4-Pro
57 % til 78 % raskere
Tallene stammer fra faktisk brukertrafikk, ikke syntetiske tester. I en test med et mål på 120 tokens/sekund/bruker for V4-Flash var MTP-1 nær kapasitetsgrensen, mens DSpark oppnådde en nominell gjennomstrømningsfordel på 661 %.
Kompatibilitet på tvers av modeller
DSpark er designet for å være modellagnostisk. I tester på ikke-DeepSeek-arkitekturer, som Qwen3-4B, Qwen3-8B og Qwen3-14B, forbedret DSpark den makro-gjennomsnittlige aksepterte lengden med henholdsvis 30,9 %, 26,7 % og 30,0 % sammenlignet med Eagle3-baselinjen. Mot parallell-kladdemodellen DFlash var gevinstene 16,3 %, 18,4 % og 18,3 % på de samme Qwen3-størrelsene. DSpark beholdt ledelsen også på Gemma4-12B. En 2-lags DSpark-konfigurasjon presterte bedre enn en 5-lags DFlash-konfigurasjon.
DeepSpec-kodebasen
Sammen med DSpark lanserte DeepSeek DeepSpec, en fullstack kodebase for trening og evaluering av spekulative dekodingsmodeller. Den inkluderer implementasjoner av Eagle3, DFlash og DSpark, og lar utviklere og forskere reprodusere resultater, trene egne kladdemodeller og evaluere spekulative dekodingspipelines.
Offisiell DeepSeek V4-lansering og ny prismodell
29. juni 2026 kunngjorde DeepSeek at den offisielle DeepSeek V4-lanseringen er planlagt til midten av juli 2026. Samtidig innføres en ny tidsbasert (peak/off-peak) prismodell for API-et:
Rushtid (peak): Kl. 09:00–12:00 og 14:00–18:00 beijingtid daglig.
Pris: API-kostnadene dobles i rushtiden sammenlignet med normalpris.
For V4-Flash dobles prisen tilsvarende. DeepSeek begrunner endringen med et ønske om å «allokere ressurser mer rasjonelt og forbedre tjenestestabiliteten». Denne prismodellen, kombinert med DSpark-hastighetsøkningene, viser DeepSeek strategi for å balansere kommersiell inntjening (etter en finansieringsrunde på omtrent 500 milliarder RMB) med fortsatt aggressive open-source-satsinger.
DSpark er ikke en ny basismodell. Det er et tilleggsmodul som kan settes inn i eksisterende modellarkitekturer. Prinsippet kalles spekulativ dekoding: En lett og rask «kladdemodell» genererer først en rekke mulige neste-tokens (en «kladd»). Deretter verifiserer hovedmodellen hele denne sekvensen på én gang – i stedet for å generere ett og ett token. Dette ligner på teknikker introdusert av Google Research i 2023 og videreutviklet i rammeverk som SpecInfer, Medusa og EAGLE.
Det nye med DSpark er en mekanisme kalt konfidensstyrt spekulativ dekoding. Systemet bestemmer dynamisk hvor mange tokens det skal spekulere på basert på hvor sikker det er. Dette reduserer bortkastet regnekraft på unødvendig verifisering. DSpark har allerede erstattet DeepSeek-V4s tidligere MTP-1-ordning i produksjon.
Ytelsesforbedringer i praksis
DSpark er allerede i bruk i DeepSeek-V4s produksjonssystemer og håndterer reell brukertrafikk på DeepSeek-V4-Flash preview og DeepSeek-V4-Pro preview. Sammenlignet med den forrige MTP-1-baselinjen, og ved samme totale systemgjennomstrømning, oppnår DSpark følgende hastighetsøkninger per bruker:
Modell
Hastighetsøkning per bruker
DeepSeek-V4-Flash
60 % til 85 % raskere
DeepSeek-V4-Pro
57 % til 78 % raskere
Tallene stammer fra faktisk brukertrafikk, ikke syntetiske tester. I en test med et mål på 120 tokens/sekund/bruker for V4-Flash var MTP-1 nær kapasitetsgrensen, mens DSpark oppnådde en nominell gjennomstrømningsfordel på 661 %.
Kompatibilitet på tvers av modeller
DSpark er designet for å være modellagnostisk. I tester på ikke-DeepSeek-arkitekturer, som Qwen3-4B, Qwen3-8B og Qwen3-14B, forbedret DSpark den makro-gjennomsnittlige aksepterte lengden med henholdsvis 30,9 %, 26,7 % og 30,0 % sammenlignet med Eagle3-baselinjen. Mot parallell-kladdemodellen DFlash var gevinstene 16,3 %, 18,4 % og 18,3 % på de samme Qwen3-størrelsene. DSpark beholdt ledelsen også på Gemma4-12B. En 2-lags DSpark-konfigurasjon presterte bedre enn en 5-lags DFlash-konfigurasjon.
DeepSpec-kodebasen
Sammen med DSpark lanserte DeepSeek DeepSpec, en fullstack kodebase for trening og evaluering av spekulative dekodingsmodeller. Den inkluderer implementasjoner av Eagle3, DFlash og DSpark, og lar utviklere og forskere reprodusere resultater, trene egne kladdemodeller og evaluere spekulative dekodingspipelines.
Offisiell DeepSeek V4-lansering og ny prismodell
29. juni 2026 kunngjorde DeepSeek at den offisielle DeepSeek V4-lanseringen er planlagt til midten av juli 2026. Samtidig innføres en ny tidsbasert (peak/off-peak) prismodell for API-et:
Rushtid (peak): Kl. 09:00–12:00 og 14:00–18:00 beijingtid daglig.
Pris: API-kostnadene dobles i rushtiden sammenlignet med normalpris.
For V4-Flash dobles prisen tilsvarende. DeepSeek begrunner endringen med et ønske om å «allokere ressurser mer rasjonelt og forbedre tjenestestabiliteten». Denne prismodellen, kombinert med DSpark-hastighetsøkningene, viser DeepSeek strategi for å balansere kommersiell inntjening (etter en finansieringsrunde på omtrent 500 milliarder RMB) med fortsatt aggressive open-source-satsinger.
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 ...
github.comDeepSeek-R1 Optimization Option Ablations · Issue #3956 - GitHub
gigazine.netDeepSeek has released 'DSpark,' which can improve the speed of AI language model generation by up to 85%.