< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
2026-06-28 16:06:04 来源：量子位
精髓在于极强的系统工程
闻乐 发自 凹非寺
量子位 | 公众号 QbitAI
梁文锋署名的DeepSeek新论文DSpark你可能刷到过了——
单用户速度提升85%、高并发场景有效吞吐翻4倍。
但你真的看懂了吗？
别急，有人替你拆解了一遍。
Fireworks AI的联合创始人兼CTO、PyTorch核心维护者Dmytro Dzhulgakov将整篇论文梳理成了10个概念，从最底层的GPU访存特性讲到最上层的在线自适应调度。
他认为：
DeepSeek这套方案真正的精髓在于系统工程和模型协同设计。
相关基础思路前人已有提出，难能可贵的是其将各类技术融合为一套自适应完整系统，实现了端到端的显著性能优化。
下面我们就顺着这10个概念过一遍DSpark。
想要搞懂大模型各类推理加速技术，首先要理解GPU一个非常特殊的运行特性：
让GPU同时解码10个token，其实只比解码1个token慢一点点。
卡帕西曾经讲过，原因在于大模型推理的瓶颈不是浮点运算，而是显存带宽，GPU大部分时间花在把模型权重从显存搬到计算核心上。
搬一次也是搬，搬十次也是搬，既然权重已经加载到了缓存里，不如一次搬运、干十件事。
这就是连续批处理：把多个请求的token塞进同一个batch，让每一次显存读取都物尽其用。
理解了这一点，就明白为什么推测解码能奏效，它的本质就是把“猜出来的多个候选token”打包成一个batch送给大模型验证，而验证batch的成本，远低于逐个生成的成本。
大模型生成是自回归的，第N+1个token依赖第N个token的结果，没法直接并行。
但有一种绕路的办法，如果你能「猜」出接下来几个token是什么，就可以把猜出来的候选序列一次性喂给大模型做批量验证。
验证是通过拒绝采样，系统逐个检查候选token，接受最长的正确前缀，在第一个分歧点重新采样一个token。
这套规则在数学上保证输出分布与原模型完全一致，没有任何质量损失。
所以推测解码的本质是用“猜+验”替代“逐字生成”。
猜的环节用小模型可以很快，验的环节进行批量验证可以很高效，所以最终每一步都能往前跳好几个token。
DSpark就是这个方向上的最新进展。
那怎么猜呢？
最直接的方案是拿一个小模型当“草稿器”。
比如用Qwen 0.8B给Qwen 397B探路，小模型跑得快，把候选序列生成好，大模型只需要做一次前向传播来验证。
通过了就全收，没通过就从分歧点重新来。
这个设计把推理过程分成了两个角色，速度型选手草稿器负责猜，力量型选手目标模型负责判。
二者配合得好，整体速度就能大幅提升。
但要想配合得好，背后需要权衡大量工程取舍，接下来几个概念就是在讲这些取舍。
草稿模型引入了额外开销。
如果草稿器自己跑得太慢，或者一次猜了16个token但只有前3个被接受，那这笔帐就不划算了。
论文给出了一个核心公式来描述实际延迟：
每个token的耗时= （草稿耗时+验证耗时） /被接受的token数τ。
在这个理论下，加速只有三条路可以走，降低草稿耗时（猜得更快）、提高τ（猜得更准）、减少验证浪费（验得更聪明）。
猜得越多不一定越好，因为如果多猜的token大概率被拒绝，它们只会白白占用验证batch的宝贵算力。
所以DSpark的整篇论文，可以理解为同时拉动这三个杠杆的一次系统性尝试。
第一根杠杆，就是优化草稿模型本身的构造。
草稿模型不用从零训一个完整的小模型，有一种更聪明的做法是直接把目标模型最后一层的隐藏状态拿过来，在上面加1–2层Transformer头当草稿器。
这就是Eagle系列和MTP（Multi-Token Prediction）的思路。
好处有两个，一个是快，草稿器只有1–2层，计算量极低；
二是准，因为它直接吃的是目标模型的内部理解，也就是最后一层激活值，等于站在巨人肩膀上猜下一步，比从头用小模型独立推理要靠谱得多。
DeepSeek-V3就已经在用MTP做单token推测（MTP-1）。
DSpark论文中所有的加速数字都是跟MTP-1这个基线对比的，也就是说，60%–85%的速度提升是在已经优化过的基础上再叠加的。
但Eagle/MTP的问题在于，要生成N个候选token，就得跑N步，第2个token依赖第1个的输出，第3个依赖第2个……串行的链条没法打破。
DFlash的思路是借鉴扩散模型的做法，一次前向传播就把全部N个候选位置同时产出。
速度确实快，但代价是各位置之间没有依赖关系。开头几个token可能很准，因为上下文信息充足，但越往后越拉胯。
论文管这个问题叫多模态碰撞。
举个例子，位置1采样出“of”，位置2独立采样出“problem”，各自看概率都合理，拼在一起就变成了“of problem”这种不通顺的组合。
位置越靠后，这种跑偏的概率越大，接受率急剧下滑。
这就是所谓的后缀衰减（suffix decay），也是纯并行方案在实际部署中加速效果打折的主因。
DSpark的核心创新，用一句话说清就是把并行和串行拼在一起，各取所长。
具体做法分两步。第一步，用DFlash的并行骨干网络一口气生成所有位置的基础logits，这一步负责速度。
第二步，用一个轻量级的顺序头从前往后逐个位置注入前缀依赖偏置，这一步负责修正后缀衰减。
用上面的例子来看，效果是：
位置1采样出“of”之后，顺序头会把位置2的概率分布往“course”方向推，同时压低“problem”的概率。
并行骨干保证了整体速度不拖后腿，顺序头保证了后半段的接受率不崩盘。
在论文的离线测试中，DSpark的平均接受长度比Eagle3高26%–31%，比DFlash高16%–18%。
两层DSpark甚至打得过五层DFlash。
既然第二步要加一个顺序头，那它的成本不就把第一步省下来的时间又吃回去了吗？
DSpark的回答是：不会，因为并行骨干已经把上下文信息编码好了，串行步骤不需要再做完整的注意力计算，只需要做极轻量的修正。
默认方案是一个马尔可夫头，它只看前一个token就决定当前位置的修正方向，通过低秩分解（rank 256），即使词表有十几万个token，计算成本也几乎可以忽略。
实测数据就很能说明问题，草稿长度从4扩展到16，每轮额外增加的延迟只有0.2%–1.3%，但接受长度最高提升了30%。
论文里还提供了一个 RNN 头的可选方案，可以追踪整个草稿块的前缀信息，但实际增益有限，所以默认没有开启。
这也体现了DSpark的工程审美，不是越复杂越好，而是找到成本和收益的最优折中。
那每次应该猜几个token呢？这个问题没有固定答案。
首先，不同类型的请求天然不同。
代码生成的可预测性高（语法模式强），草稿器猜8–16个token可能都能过审；开放式闲聊不确定性大，猜4个就可能翻车。
其次，服务器的实时负载也在变化。
GPU空闲时，多猜几个token没什么额外成本，反正算力闲着也是闲着；高并发时，每一块验证batch的算力都很金贵，不该浪费在大概率被拒绝的尾部token上。
于是DSpark用一个置信度头给每个草稿位置打分，预估它在验证中存活的概率。
这套方案会预先测算GPU在各类批次尺寸下的硬件吞吐数据，生成吞吐量参考曲线，再依据曲线结果为每条请求动态匹配最优验证长度。
整套调度逻辑完全在GPU内部执行，无需CPU参与，虽然实现门槛极高，但该方案已经落地了。
接下来，就是最后一块拼图，在线草稿置信度校准。
置信度头的思路很好，但有一个实际问题是“神经网络天生过度自信”。
它觉得自己猜的每个token都对，这就会导致原始置信度评分不可靠，该停的时候不停，该放手的时候死撑。
如果直接用模型输出的概率设阈值，系统表现会跑偏。
DSpark 的做法是在运行时持续观察草稿器的实际表现。
论文中使用顺序温度缩放做后处理校准，把预期校准误差从3%–8%压到了约1%。
更关键的是，这个校准过程是在线的，系统边跑边调，根据当前工作负载的实际接受率动态修正阈值。
代码任务跑多了，它就学会对代码草稿更宽容；聊天任务来了，它自动收紧阈值。
越跑越准，真正做到了自适应。
这10个概念单独拎出来，大部分确实算不上全新，但整套方案完成了算法、调度、硬件适配三位一体的端到端工程闭环。
而且DeepSpec全栈训练库一并开源，Eagle3、DFlash、DSpark三种草稿模型的训练代码全部放出，支持Qwen3和Gemma等外部模型——
你想给自己的模型训一个草稿器，直接拿过去改就行。
DSpark配套的DeepSpec库目前在GitHub已经拿下1.4k Star，各路开发者都开始实操内卷。
海外大佬看完论文火速掏出两块RTX PRO 6000在家折腾DSpark。
两块显卡火力拉满，看得出来很努力了（doge）。
论文地址：https://github.com/deepseek-ai/DeepSpec/blob/main/DSpark_paper.pdf
参考链接：
[1]https://x.com/dzhulgakov/status/2070922887595499930?s=20
[2]https://x.com/Hikari_07_jp/status/2070842526450479188?s=20
版权所有，未经授权不得以任何形式转载及使用，违者必究。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。