融资500亿十几天后，梁文锋亲自挂帅：DeepSeek开源DSpark，剑指推理效率新战场
在6月中旬获得500亿融资后仅十几天，6月27日，DeepSeek团队联合北京大学发布论文《DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation》。这不是一次模型版本的迭代，而是在原有DeepSeek-V4-Pro和DeepSeek-V4-Flash基础上增加了一个推测解码模块，重点在于工程落地层面的优化。
随DSpark一同开源的DeepSpec，是一个用于训练和评估推测解码草稿模型的全栈代码库，包含数据准备工具、草稿模型实现、训练代码和评估脚本，支持MIT许可。目前DeepSpec已内置DSpark、DFlash和Eagle3三种实现。
值得注意的是，DeepSeek创始人梁文锋位列论文作者名单。在完成首轮融资的当下，创始人依然亲自参与技术论文撰写，这在AI行业并不多见。
FishC 计算机教育专家解读：
首先，这是一个典型的「工程优化」而非「模型革命」。DeepSeek 在融资后迅速拿出 DSpark，是用推测解码（Speculative Decoding）技术来提升大模型的推理速度。简单说，传统大模型生成答案是逐字逐句的，很慢；DSpark 让一个小巧的「草稿模型」先快速写出多个候选句子，再由主模型一次性校验，类似「先乱写再批改」，从而大幅降低延迟。
更关键的是，DSpark 引入了半自回归生成（Semi-Autoregressive Generation），让草稿模型可以一次输出多个 token 而不是一个，进一步加速。这就像把「逐字打字」升级成「整词联想输入」。
随论文开源的 DeepSpec 库内置了 DSpark、DFlash、Eagle3 三种实现，并且提供完整的数据、训练、评估代码，MIT 许可。这意味着其他团队可以拿这套代码直接在自己的模型上复现类似优化，不用从零摸索。
至于梁文锋亲自挂名论文作者，说明 DeepSeek 非常重视工程落地和细节优化。很多公司创始人融资后更多忙管理、市场，而梁文锋仍在一线参与技术细节，这体现了典型的「工程文化」—— 把资源直接投入到提升实际可用性上，而不是只讲故事。对于开发者来说，DSpark 这类技术能让大模型在消费级 GPU 上跑得更快，是真正的「降本增效」利器。
以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。
页:
[1]