DeepSeek DSpark: como o framework de decodificação especulativa acelera o V4 em até 85%

Em 27 de junho de 2026, a DeepSeek — em parceria com a Universidade de Pequim — disponibilizou como open source o DSpark, um framework de decodificação especulativa (speculative decoding) projetado para acelerar a inferência de grandes modelos de linguagem (LLMs). Junto com o framework, a DeepSeek lançou o DeepSpec, um conjunto completo de código para treinamento e avaliação, e os checkpoints dos modelos DeepSeek-V4-Flash e V4-Pro com o DSpark integrado . O artigo técnico, intitulado "DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation", é assinado pelo CEO Liang Wenfeng .

Como o DSpark funciona

O DSpark não é um novo modelo base. É um módulo complementar que adapta checkpoints de modelos existentes com um pipeline de decodificação especulativa . O mecanismo central: um modelo de rascunho (draft model) leve e semi-autorregressivo gera rapidamente tokens candidatos, e então o modelo principal os verifica em lote — em vez de gerar um token de cada vez. Essa abordagem é conhecida como decodificação especulativa, uma técnica introduzida pelo Google Research em 2023 e refinada por frameworks como SpecInfer, Medusa e EAGLE .

O DSpark introduz um elemento inovador chamado decodificação especulativa com agendamento por confiança (confidence-scheduled speculative decoding). O sistema decide dinamicamente quantos tokens serão especulados com base nos níveis de confiança, o que reduz o desperdício de computação em verificações desnecessárias . Em produção, ele substituiu o esquema anterior MTP-1 (Multi-Token Prediction) do DeepSeek-V4 .

Ganhos de desempenho em produção

O DSpark já está implantado nos sistemas de produção do DeepSeek-V4, lidando com tráfego real de usuários nos serviços de preview do DeepSeek-V4-Flash e V4-Pro . Com a mesma taxa de transferência total do sistema, o DSpark proporciona as seguintes melhorias de velocidade de geração por usuário em comparação com a linha de base do MTP-1:

Modelo	Melhoria na velocidade de geração por usuário
DeepSeek-V4-Flash	60% a 85% mais rápido
DeepSeek-V4-Pro	57% a 78% mais rápido

Esses resultados vêm de tráfego real de usuários, e não de benchmarks sintéticos . Sob restrições rigorosas de latência, o DSpark evita o colapso de throughput que os esquemas anteriores sofriam, expandindo a fronteira de Pareto do sistema . Em um teste com a meta de 120 tokens/segundo/usuário para o V4-Flash, o MTP-1 estava perto do seu limite de capacidade, enquanto o DSpark entregou uma vantagem nominal de taxa de transferência de 661% .

Compatibilidade com outros modelos

O DSpark foi projetado para ser agnóstico em relação ao modelo. O artigo demonstra sua eficácia em arquiteturas que não são da DeepSeek: nos modelos Qwen3-4B, Qwen3-8B e Qwen3-14B, o DSpark melhorou o comprimento médio de aceitação (macro-average accepted length) em 30,9%, 26,7% e 30,0%, respectivamente, em relação à linha de base do Eagle3 . Em comparação com o modelo de rascunho paralelo DFlash, os ganhos foram de 16,3%, 18,4% e 18,3% nos mesmos tamanhos do Qwen3 . O DSpark também manteve sua liderança no modelo Gemma4-12B . Notavelmente, uma configuração do DSpark com 2 camadas superou uma configuração do DFlash com 5 camadas .

Aumentar o comprimento do rascunho de 4 para 16 tokens adicionou apenas 0,2% a 1,3% de latência por rodada, enquanto o comprimento de aceitação melhorou em até 30% .

A suíte DeepSpec

Junto com o DSpark, a DeepSeek disponibilizou como open source o DeepSpec, um framework completo de treinamento e avaliação para decodificação especulativa. Ele inclui implementações do Eagle3, DFlash e DSpark, e permite que desenvolvedores e pesquisadores:

• Reproduzam os resultados relatados no artigo do DSpark
• Treinem modelos de rascunho personalizados
• Avaliem pipelines de decodificação especulativa
• Estendam a abordagem para seus próprios modelos

O artigo, o código e os pesos dos modelos estão hospedados no repositório deepseek-ai/DeepSpec no GitHub e no Hugging Face .

Contexto mais amplo: lançamento oficial do V4 e precificação de pico/fora de pico

Em 29 de junho de 2026, a DeepSeek anunciou que o lançamento oficial do DeepSeek V4 está agendado para meados de julho de 2026 . Junto com ele, a DeepSeek introduzirá uma estrutura de preços de API por horário de pico e fora de pico :

• Horários de pico: 9h–12h e 14h–18h (horário de Pequim) todos os dias .
• Precificação: os custos da API dobram durante os horários de pico em relação às taxas normais (fora de pico) .
• Exemplo (V4-Pro, por milhão de tokens):
  • Entrada (cache hit): 0,025 RMB fora de pico → 0,05 RMB no pico
  • Entrada (cache miss): 3,00 RMB fora de pico → 6,00 RMB no pico
  • Saída: 6,00 RMB fora de pico → 12,00 RMB no pico

Para o V4-Flash, a precificação de pico correspondente dobra: de 0,02 RMB para 0,04 RMB (cache hit), de 1 RMB para 2 RMB (cache miss) e de 2 RMB para 4 RMB (saída) por milhão de tokens . A DeepSeek afirmou que a mudança visa "alocar recursos de forma mais racional e melhorar a estabilidade do serviço" . Os usuários receberão notificações por e-mail 24 horas antes da alteração na cobrança . Essa mudança de preços, combinada com as acelerações do DSpark, sinaliza o esforço da DeepSeek para equilibrar a monetização comercial (após sua rodada de financiamento de aproximadamente 50 bilhões de RMB) com o lançamento contínuo e agressivo de tecnologias open source .