Så fungerar DSpark – DeepSeeks nya open source-ramverk som gör AI-svar upp till 85 procent snabbare
DeepSeek och Pekinguniversitetet lanserade den 27 juni 2026 DSpark, ett ramverk med öppen källkod som påskyndar AI modellers svarstider med hjälp av spekulativ avkodning. I verklig trafik har DSpark ökat hastigheten för enskilda användare med 60–85 procent för V4 Flash och 57–78 procent för V4 Pro, utan att påverka...
Publicerad avRedigerad med DeepSeek-V4-FlashBilder genererade med GPT Image 1.5
DeepSeek och Pekinguniversitetet lanserade den 27 juni 2026 DSpark, ett ramverk med öppen källkod som påskyndar AI modellers svarstider med hjälp av spekulativ avkodning.
I verklig trafik har DSpark ökat hastigheten för enskilda användare med 60–85 procent för V4 Flash och 57–78 procent för V4 Pro, utan att påverka kvaliteten.
Ramverket är modellagnostiskt och fungerar med andra arkitekturer som Qwen3 och Gemma4, vilket gör det brett tillämpbart.
DeepSeek planerar att lansera den officiella versionen av V4 i mitten av juli 2026, med en ny prissättningsmodell för API:et som innebär dubbla priser under högtrafik.
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
Den 27 juni 2026 släppte DeepSeek, i samarbete med Pekinguniversitetet, DSpark – ett ramverk med öppen källkod för spekulativ avkodning som är utformat för att påskynda inferens i stora språkmodeller (LLM). Samtidigt publicerade man DeepSpec, en fullständig kodbas för träning och utvärdering, samt modellcheckpunkter för DeepSeek-V4-Flash och V4-Pro med integrerat DSpark . Forskningsartikeln, , är undertecknad av DeepSeeks vd 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 "Så fungerar DSpark – DeepSeeks nya open source-ramverk som gör AI-svar upp till 85 procent snabbare"?
DeepSeek och Pekinguniversitetet lanserade den 27 juni 2026 DSpark, ett ramverk med öppen källkod som påskyndar AI modellers svarstider med hjälp av spekulativ avkodning.
What are the key points to validate first?
DeepSeek och Pekinguniversitetet lanserade den 27 juni 2026 DSpark, ett ramverk med öppen källkod som påskyndar AI modellers svarstider med hjälp av spekulativ avkodning. I verklig trafik har DSpark ökat hastigheten för enskilda användare med 60–85 procent för V4 Flash och 57–78 procent för V4 Pro, utan att påverka kvaliteten.
What should I do next in practice?
Ramverket är modellagnostiskt och fungerar med andra arkitekturer som Qwen3 och Gemma4, vilket gör det brett tillämpbart.
Så fungerar DSpark – DeepSeeks nya open source-ramverk som gör AI-svar upp till 85 procent snabbare
DeepSeek och Pekinguniversitetet lanserade den 27 juni 2026 DSpark, ett ramverk med öppen källkod som påskyndar AI modellers svarstider med hjälp av spekulativ avkodning. I verklig trafik har DSpark ökat hastigheten för enskilda användare med 60–85 procent för V4 Flash och 57–78 procent för V4 Pro, utan att påverka...
Publicerad avRedigerad med DeepSeek-V4-FlashBilder genererade med GPT Image 1.5
DeepSeek och Pekinguniversitetet lanserade den 27 juni 2026 DSpark, ett ramverk med öppen källkod som påskyndar AI modellers svarstider med hjälp av spekulativ avkodning.
I verklig trafik har DSpark ökat hastigheten för enskilda användare med 60–85 procent för V4 Flash och 57–78 procent för V4 Pro, utan att påverka kvaliteten.
Ramverket är modellagnostiskt och fungerar med andra arkitekturer som Qwen3 och Gemma4, vilket gör det brett tillämpbart.
DeepSeek planerar att lansera den officiella versionen av V4 i mitten av juli 2026, med en ny prissättningsmodell för API:et som innebär dubbla priser under högtrafik.
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
Den 27 juni 2026 släppte DeepSeek, i samarbete med Pekinguniversitetet, DSpark – ett ramverk med öppen källkod för spekulativ avkodning som är utformat för att påskynda inferens i stora språkmodeller (LLM). Samtidigt publicerade man DeepSpec, en fullständig kodbas för träning och utvärdering, samt modellcheckpunkter för DeepSeek-V4-Flash och V4-Pro med integrerat DSpark . Forskningsartikeln, , är undertecknad av DeepSeeks vd 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 "Så fungerar DSpark – DeepSeeks nya open source-ramverk som gör AI-svar upp till 85 procent snabbare"?
DeepSeek och Pekinguniversitetet lanserade den 27 juni 2026 DSpark, ett ramverk med öppen källkod som påskyndar AI modellers svarstider med hjälp av spekulativ avkodning.
What are the key points to validate first?
DeepSeek och Pekinguniversitetet lanserade den 27 juni 2026 DSpark, ett ramverk med öppen källkod som påskyndar AI modellers svarstider med hjälp av spekulativ avkodning. I verklig trafik har DSpark ökat hastigheten för enskilda användare med 60–85 procent för V4 Flash och 57–78 procent för V4 Pro, utan att påverka kvaliteten.
What should I do next in practice?
Ramverket är modellagnostiskt och fungerar med andra arkitekturer som Qwen3 och Gemma4, vilket gör det brett tillämpbart.
"DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation"
Hur DSpark fungerar
DSpark är inte en ny basmodell. Det är en extra modul som kan läggas till i befintliga modellcheckpunkter och bygger på en pipeline för spekulativ avkodning . Kärnmekanismen är enkel: en lättviktsmodell (kallad draftmodell) genererar snabbt en rad kandidat-tokens, och därefter verifierar huvudmodellen dessa i batch – istället för att generera en token i taget. Detta tillvägagångssätt kallas spekulativ avkodning, en teknik som introducerades av Google Research 2023 och som vidareutvecklats i ramverk som SpecInfer, Medusa och EAGLE .
DSpark inför en ny funktion som kallas confidence-scheduled speculative decoding. Systemet avgör dynamiskt hur många tokens som ska spekuleras baserat på förtroendenivåer, vilket minskar slöseri med beräkningskraft vid verifiering . Detta ersätter DeepSeek-V4:s tidigare MTP-1-schema (Multi-Token Prediction) i produktion .
Prestandavinster i produktion
DSpark är redan implementerat i DeepSeek-V4:s produktionssystem som hanterar verklig användartrafik på tjänsterna DeepSeek-V4-Flash preview och DeepSeek-V4-Pro preview . Vid samma totala systemgenomströmning ger DSpark följande förbättringar av generationshastigheten per användare jämfört med den tidigare baslinjen MTP-1:
Modell
Förbättring av generationshastighet per användare
DeepSeek-V4-Flash
60% till 85% snabbare
DeepSeek-V4-Pro
57% till 78% snabbare
Dessa resultat kommer från verklig användartrafik, inte syntetiska tester . Under strikta latenskrav undviker DSpark det genombrott i genomströmning som tidigare system drabbades av och flyttar fram systemets Pareto-front . I ett test som siktade på 120 tokens/sekund/användare för V4-Flash var MTP-1 nära sin kapacitetsgräns medan DSpark levererade en nominell genomströmningsfördel på 661% .
Modellagnostisk kompatibilitet
DSpark är utformat för att vara modellagnostiskt. Artikeln visar dess effektivitet på andra arkitekturer än DeepSeek: på Qwen3-4B, Qwen3-8B och Qwen3-14B förbättrade DSpark den makro-genomsnittliga accepterade längden med 30,9 %, 26,7 % respektive 30,0 % jämfört med baslinjen Eagle3 . Mot parallell-draftmodellen DFlash var vinsterna 16,3 %, 18,4 % och 18,3 % på samma Qwen3-storlekar . DSpark behöll också ledningen på Gemma4-12B . Anmärkningsvärt nog presterade en 2-lagers DSpark-konfiguration bättre än en 5-lagers DFlash-konfiguration .
Att öka draftlängden från 4 till 16 tokens tillförde endast 0,2–1,3 % latens per omgång, medan den accepterade längden förbättrades med upp till 30 % .
DeepSpec-kodbasen
Samtidigt med DSpark släppte DeepSeek DeepSpec, en fullständig kodbas med öppen källkod för träning och utvärdering av spekulativ avkodning. Den innehåller implementeringar av Eagle3, DFlash och DSpark och gör det möjligt för utvecklare och forskare att:
Reproducera resultaten som rapporteras i DSpark-artikeln
Träna egna draftmodeller
Utvärdera pipelines för spekulativ avkodning
Utöka tillvägagångssättet till sina egna modeller
Artikeln, koden och modellvikterna finns i arkivet deepseek-ai/DeepSpec på GitHub och på Hugging Face .
Bredare sammanhang: V4 officiell lansering och prissättning i högtrafik
Den 29 juni 2026 meddelade DeepSeek att den officiella DeepSeek V4-versionen är planerad till mitten av juli 2026. I samband med detta inför DeepSeek en prissättningsmodell för API med högtrafik:
Högtrafik: 9:00–12:00 och 14:00–18:00 Pekingtid dagligen .
Prissättning: API-kostnaderna fördubblas under högtrafik jämfört med lågtrafik (standardpriser) .
För V4-Flash fördubblas motsvarande högtrafikspriser från 0,02 RMB till 0,04 RMB (cacheträff), 1 RMB till 2 RMB (cachemiss) och 2 RMB till 4 RMB (utdata) per miljon tokens . DeepSeek uppgav att förändringen syftar till att "mer rationellt allokera resurser och förbättra tjänstestabiliteten" . Användare kommer att få e-postmeddelanden 24 timmar innan faktureringsändringarna träder i kraft . Denna prisförändring, i kombination med DSpark:s hastighetsökningar, signalerar DeepSeeks strävan att balansera kommersiell intjäning (efter en finansieringsrunda på cirka 50 miljarder RMB) med fortsatta aggressiva open source-släpp .
"DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation"
Hur DSpark fungerar
DSpark är inte en ny basmodell. Det är en extra modul som kan läggas till i befintliga modellcheckpunkter och bygger på en pipeline för spekulativ avkodning . Kärnmekanismen är enkel: en lättviktsmodell (kallad draftmodell) genererar snabbt en rad kandidat-tokens, och därefter verifierar huvudmodellen dessa i batch – istället för att generera en token i taget. Detta tillvägagångssätt kallas spekulativ avkodning, en teknik som introducerades av Google Research 2023 och som vidareutvecklats i ramverk som SpecInfer, Medusa och EAGLE .
DSpark inför en ny funktion som kallas confidence-scheduled speculative decoding. Systemet avgör dynamiskt hur många tokens som ska spekuleras baserat på förtroendenivåer, vilket minskar slöseri med beräkningskraft vid verifiering . Detta ersätter DeepSeek-V4:s tidigare MTP-1-schema (Multi-Token Prediction) i produktion .
Prestandavinster i produktion
DSpark är redan implementerat i DeepSeek-V4:s produktionssystem som hanterar verklig användartrafik på tjänsterna DeepSeek-V4-Flash preview och DeepSeek-V4-Pro preview . Vid samma totala systemgenomströmning ger DSpark följande förbättringar av generationshastigheten per användare jämfört med den tidigare baslinjen MTP-1:
Modell
Förbättring av generationshastighet per användare
DeepSeek-V4-Flash
60% till 85% snabbare
DeepSeek-V4-Pro
57% till 78% snabbare
Dessa resultat kommer från verklig användartrafik, inte syntetiska tester . Under strikta latenskrav undviker DSpark det genombrott i genomströmning som tidigare system drabbades av och flyttar fram systemets Pareto-front . I ett test som siktade på 120 tokens/sekund/användare för V4-Flash var MTP-1 nära sin kapacitetsgräns medan DSpark levererade en nominell genomströmningsfördel på 661% .
Modellagnostisk kompatibilitet
DSpark är utformat för att vara modellagnostiskt. Artikeln visar dess effektivitet på andra arkitekturer än DeepSeek: på Qwen3-4B, Qwen3-8B och Qwen3-14B förbättrade DSpark den makro-genomsnittliga accepterade längden med 30,9 %, 26,7 % respektive 30,0 % jämfört med baslinjen Eagle3 . Mot parallell-draftmodellen DFlash var vinsterna 16,3 %, 18,4 % och 18,3 % på samma Qwen3-storlekar . DSpark behöll också ledningen på Gemma4-12B . Anmärkningsvärt nog presterade en 2-lagers DSpark-konfiguration bättre än en 5-lagers DFlash-konfiguration .
Att öka draftlängden från 4 till 16 tokens tillförde endast 0,2–1,3 % latens per omgång, medan den accepterade längden förbättrades med upp till 30 % .
DeepSpec-kodbasen
Samtidigt med DSpark släppte DeepSeek DeepSpec, en fullständig kodbas med öppen källkod för träning och utvärdering av spekulativ avkodning. Den innehåller implementeringar av Eagle3, DFlash och DSpark och gör det möjligt för utvecklare och forskare att:
Reproducera resultaten som rapporteras i DSpark-artikeln
Träna egna draftmodeller
Utvärdera pipelines för spekulativ avkodning
Utöka tillvägagångssättet till sina egna modeller
Artikeln, koden och modellvikterna finns i arkivet deepseek-ai/DeepSpec på GitHub och på Hugging Face .
Bredare sammanhang: V4 officiell lansering och prissättning i högtrafik
Den 29 juni 2026 meddelade DeepSeek att den officiella DeepSeek V4-versionen är planerad till mitten av juli 2026. I samband med detta inför DeepSeek en prissättningsmodell för API med högtrafik:
Högtrafik: 9:00–12:00 och 14:00–18:00 Pekingtid dagligen .
Prissättning: API-kostnaderna fördubblas under högtrafik jämfört med lågtrafik (standardpriser) .
För V4-Flash fördubblas motsvarande högtrafikspriser från 0,02 RMB till 0,04 RMB (cacheträff), 1 RMB till 2 RMB (cachemiss) och 2 RMB till 4 RMB (utdata) per miljon tokens . DeepSeek uppgav att förändringen syftar till att "mer rationellt allokera resurser och förbättra tjänstestabiliteten" . Användare kommer att få e-postmeddelanden 24 timmar innan faktureringsändringarna träder i kraft . Denna prisförändring, i kombination med DSpark:s hastighetsökningar, signalerar DeepSeeks strävan att balansera kommersiell intjäning (efter en finansieringsrunda på cirka 50 miljarder RMB) med fortsatta aggressiva open source-släpp .
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