DSpark 係點運作㗎？

首先，DSpark 唔係一個全新嘅基礎模型，而係一個可以「加落」現有模型嘅推測解碼模組 。佢嘅核心概念好簡單：用一個輕量級嘅「草稿模型」（semi-autoregressive draft model）快速生成候選 token，然後由主模型一次過驗證呢批 token——唔再係逐個 token「擠牙膏」咁生成。呢種技術叫 推測解碼（speculative decoding），最早由 Google Research 喺 2023 年提出，之後仲有 SpecInfer、Medusa、EAGLE 等框架 。

DSpark 嘅創新之處係加入咗 置信度調度推測解碼（confidence-scheduled speculative decoding）：系統會根據置信度動態決定要推測幾多個 token，減少無謂嘅驗證運算 。佢已經取代咗 DeepSeek-V4 之前用嘅 MTP-1（Multi-Token Prediction）方案 。

生產環境表現：真係快咗好多

DSpark 已經部署喺 DeepSeek-V4-Flash preview 同 V4-Pro preview 嘅生產系統，處理緊真實用戶嘅流量 。喺相同總系統吞吐量下，相比舊有嘅 MTP-1 基線，DSpark 嘅單用戶生成速度提升如下：

呢啲數字係嚟自 真實用戶流量，唔係實驗室 benchmark 。喺嚴格嘅延遲限制下，DSpark 仲可以避免之前方案嘅吞吐量大幅下跌，推高成個系統嘅 Pareto 最優邊界 。喺一個測試中，V4-Flash 要達到 120 tokens/second/user 嘅目標時，MTP-1 已經接近極限，而 DSpark 嘅名義吞吐優勢高達 661% 。

唔局限 DeepSeek 模型，其他架構都用到

DSpark 係設計成 模型無關 嘅。論文顯示，喺非 DeepSeek 架構上都有效果：

• 喺 Qwen3-4B、Qwen3-8B 同 Qwen3-14B 上，DSpark 相比 Eagle3 嘅 macro-average accepted length 分別提升 30.9%、26.7% 同 30.0% 。
• 相比另一個平行草稿模型 DFlash，Qwen3 系列嘅提升係 16.3%、18.4% 同 18.3% 。
• 喺 Gemma4-12B 上，DSpark 都保持領先 。
• 特別係，一個 2 層嘅 DSpark 配置甚至贏過 5 層嘅 DFlash 配置 。
• 將草稿長度由 4 擴大到 16 個 token，每輪延遲只增加 0.2–1.3%，但 accepted length 提升咗最多 30% 。

DeepSpec：成個框架開源晒

除咗 DSpark，DeepSeek 仲開源咗 DeepSpec，一個完整嘅推測解碼訓練同評估框架。佢包含 Eagle3、DFlash 同 DSpark 嘅實作，開發者同研究人員可以：

• 重現論文結果
• 訓練自訂草稿模型
• 評估推測解碼流程
• 將呢個方法套用到自己嘅模型上

論文、代碼同模型權重都放喺 GitHub 同 Hugging Face 嘅 deepseek-ai/DeepSpec 儲存庫 。

仲有：V4 正式版 7 月中登場，API 峰谷定價

2026 年 6 月 29 日，DeepSeek 宣布 DeepSeek V4 正式版 計劃喺 7 月中 上線 。同時會引入 峰谷（time-of-day）API 定價機制 ：

• Peak 時段：每日 9:00–12:00 同 14:00–18:00（北京時間）。
• 定價：Peak 時段 API 費用係非 peak 時段嘅 兩倍 。
• 舉例（V4-Pro，每百萬 tokens）：
  • 輸入（cache hit）：平時 0.025 RMB → peak 0.05 RMB
  • 輸入（cache miss）：平時 3.00 RMB → peak 6.00 RMB
  • 輸出：平時 6.00 RMB → peak 12.00 RMB

至於 V4-Flash，peak 定價都係 double：cache hit 由 0.02 RMB 變 0.04 RMB，cache miss 由 1 RMB 變 2 RMB，輸出由 2 RMB 變 4 RMB 。DeepSeek 話呢個改動係為咗「更合理地配置資源，提升服務穩定性」。用戶會喺收費變更前 24 小時收到電郵通知 。

呢個定價轉變，加上 DSpark 嘅速度提升，顯示 DeepSeek 喺完成約 500 億元人民幣融資後，正喺商業化同繼續積極開源之間搵平衡 。

DSpark 係點運作㗎？

首先，DSpark 唔係一個全新嘅基礎模型，而係一個可以「加落」現有模型嘅推測解碼模組 。佢嘅核心概念好簡單：用一個輕量級嘅「草稿模型」（semi-autoregressive draft model）快速生成候選 token，然後由主模型一次過驗證呢批 token——唔再係逐個 token「擠牙膏」咁生成。呢種技術叫 推測解碼（speculative decoding），最早由 Google Research 喺 2023 年提出，之後仲有 SpecInfer、Medusa、EAGLE 等框架 。

DSpark 嘅創新之處係加入咗 置信度調度推測解碼（confidence-scheduled speculative decoding）：系統會根據置信度動態決定要推測幾多個 token，減少無謂嘅驗證運算 。佢已經取代咗 DeepSeek-V4 之前用嘅 MTP-1（Multi-Token Prediction）方案 。

生產環境表現：真係快咗好多

DSpark 已經部署喺 DeepSeek-V4-Flash preview 同 V4-Pro preview 嘅生產系統，處理緊真實用戶嘅流量 。喺相同總系統吞吐量下，相比舊有嘅 MTP-1 基線，DSpark 嘅單用戶生成速度提升如下：

呢啲數字係嚟自 真實用戶流量，唔係實驗室 benchmark 。喺嚴格嘅延遲限制下，DSpark 仲可以避免之前方案嘅吞吐量大幅下跌，推高成個系統嘅 Pareto 最優邊界 。喺一個測試中，V4-Flash 要達到 120 tokens/second/user 嘅目標時，MTP-1 已經接近極限，而 DSpark 嘅名義吞吐優勢高達 661% 。

唔局限 DeepSeek 模型，其他架構都用到

DSpark 係設計成 模型無關 嘅。論文顯示，喺非 DeepSeek 架構上都有效果：

• 喺 Qwen3-4B、Qwen3-8B 同 Qwen3-14B 上，DSpark 相比 Eagle3 嘅 macro-average accepted length 分別提升 30.9%、26.7% 同 30.0% 。
• 相比另一個平行草稿模型 DFlash，Qwen3 系列嘅提升係 16.3%、18.4% 同 18.3% 。
• 喺 Gemma4-12B 上，DSpark 都保持領先 。
• 特別係，一個 2 層嘅 DSpark 配置甚至贏過 5 層嘅 DFlash 配置 。
• 將草稿長度由 4 擴大到 16 個 token，每輪延遲只增加 0.2–1.3%，但 accepted length 提升咗最多 30% 。

DeepSpec：成個框架開源晒

除咗 DSpark，DeepSeek 仲開源咗 DeepSpec，一個完整嘅推測解碼訓練同評估框架。佢包含 Eagle3、DFlash 同 DSpark 嘅實作，開發者同研究人員可以：

• 重現論文結果
• 訓練自訂草稿模型
• 評估推測解碼流程
• 將呢個方法套用到自己嘅模型上

論文、代碼同模型權重都放喺 GitHub 同 Hugging Face 嘅 deepseek-ai/DeepSpec 儲存庫 。

仲有：V4 正式版 7 月中登場，API 峰谷定價

2026 年 6 月 29 日，DeepSeek 宣布 DeepSeek V4 正式版 計劃喺 7 月中 上線 。同時會引入 峰谷（time-of-day）API 定價機制 ：

• Peak 時段：每日 9:00–12:00 同 14:00–18:00（北京時間）。
• 定價：Peak 時段 API 費用係非 peak 時段嘅 兩倍 。
• 舉例（V4-Pro，每百萬 tokens）：
  • 輸入（cache hit）：平時 0.025 RMB → peak 0.05 RMB
  • 輸入（cache miss）：平時 3.00 RMB → peak 6.00 RMB
  • 輸出：平時 6.00 RMB → peak 12.00 RMB

至於 V4-Flash，peak 定價都係 double：cache hit 由 0.02 RMB 變 0.04 RMB，cache miss 由 1 RMB 變 2 RMB，輸出由 2 RMB 變 4 RMB 。DeepSeek 話呢個改動係為咗「更合理地配置資源，提升服務穩定性」。用戶會喺收費變更前 24 小時收到電郵通知 。

呢個定價轉變，加上 DSpark 嘅速度提升，顯示 DeepSeek 喺完成約 500 億元人民幣融資後，正喺商業化同繼續積極開源之間搵平衡 。