DeepSeek最让人诟病的地方就是服务器总崩，但是从现在开始，DeepSeek可能再也不会出现服务器卡顿和宕机了。

原因在于，梁文锋挂名发表了一篇论文，标题为《DSpark：基于置信度调度的推测解码与半自回归生成》。按照DeepSeek的传统，DSpark读起来应该是DSpark，而不是DSpark。

这是梁文锋从2024年发表的《DeepSeek LLM》之后，他挂名发表的第12篇论文。不只是如此，DSpark这篇论文，还和梁文锋在2010年发表的硕士毕业论文“撞车”了。

DSpark相当于是给DeepSeek装上了加速器，对用户来说，体感就是快、稳、不崩。

同样质量的回答，速度直接快了60%到80%，原来等10秒的回复现在五六秒就出来.

最关键的是，高峰时段，DeepSeek也不会再一直“转圈”了。

这个DSpark到底有多神奇？别急，我讲给你听。

DSpark到底是什么，

解决了DeepSeek什么老问题

大模型生成文字这件事，本质上是一个“猜字游戏”。模型每写一个字，都要把前面所有写过的字重新看一遍，算一遍，才能决定下一个字该写什么。

每写一个字，AI就得从头到尾跑一次，写100个字，就要把自己写的东西重新消化99遍。学术上，把这个“自己回归自己”的过程，叫做“自回归生成”。

整个过程就是现在的自己在跟上一步的自己较劲，上一步没算完，下一步就动不了。

所以过去几年，业界都在琢磨同一件事，能不能让模型一口气猜一串字？

这个思路，就是DSpark论文中提到的核心机制——投机解码（Speculative Decoding）。

它的运行逻辑是这样的，找一个跑得快但水平一般的模型当草稿，让它先凭感觉一口气猜出后面好几个字，然后把这一串字一次性拿给大模型验证。

大模型扫一眼，前面连续猜对的直接保留，从第一个猜错的地方开始，大模型自己写一个对的，草稿模型再接着往下猜。

这样就可以确保，输出的内容是大模型认可的，而且速度还比一个字一个字猜地要快。

业内普遍认为有两种投机解码。

第一种是“老实人”打法。草稿模型也一个字一个字地猜，猜完一个、看一眼前文、再猜下一个。好处是输出质量更高，坏处是它猜得太慢了，速度跟大模型自己写都差不多了。

第二种是不管三七二十一，刷刷刷一口气把后面所有字全猜出来。虽然速度快，但是猜字时根本不会考虑前面完整的句子，它只看上一个字是什么。

这就导致一开始还好，但是猜字越往后，输出质量就会越低。

论文里把这个现象叫“后缀衰减”：第一个字的正确率还行，第二个大幅下滑，到了第五个第六个基本上就是在瞎猜了。

DSpark的核心思路叫半自回归生成。简单来说，它把上述两种办法给结合在一起了。

第一步，以极快的手速哗哗哗把后面的字全给你猜出来。猜完之后回过头来检查一遍，看看有没有什么语句不通顺、错别字之类地。

第二步，DSpark会给每个字打个“靠谱分”，比如第一个字90分，第二个80分，第三个60分，第四个30分。但是这里有个问题，打完分之后，DSpark就知道哪个字写错了，如果要给它改对，相当于回到了一开始自回归的方法当中，好不容易提高的效率，又送回去了。

所以DSpark提出了一个方法，它会提前测量好大模型在不同批大小下的处理速度，然后每个请求的草稿按靠谱分从高到低排好队。

它先把所有请求里最高分的那一批，拿给大模型验。

这个过程很快，因为量少。然后它问自己：要不要把第二批也加进去？加了之后大模型要多花一点时间，这批字有80%是对的，能多赚几百个正确结果。多花的时间除以多赚的正确字，算出来一个效率值。赚了，加。第三批，60%正确率。以此类推。

根据当前服务器的忙碌程度，不忙的时候，全拿过去，能多猜对一个就多猜对一个。

如果大模型此时很忙，那就只把前几个高分拿过去让大模型验，后面那些大概率错的就别去添乱了，省下时间多服务几个用户。

整个过程，叫做置信度调度验证。

之前有很多加速方案，但它们都有一个共同的毛病，那就是单用户测起来快得不得了，一上高并发就崩。

现在的DeepSeek，一到晚上高峰就卡、就崩。

本质上就是高峰时段用户请求多，GPU的批处理压力极大，但之前MTP-1的投机解码方案会把大量算力浪费在验证那些大概率猜错的token上。

这些token被草稿模型随便猜出来，大模型看了一眼就驳回，但驳回的过程已经消耗了宝贵的GPU周期。

有效吞吐量被严重拉低，请求越积越多，排队越来越长，用户体验就是卡顿甚至加载不出来。

DSpark部署后，这个问题应该会得到缓解。

实测数据显示，在严格的低延迟要求下，比如V4-Flash要保证每个用户每秒看到120个字，之前的MTP-1系统基本撑不住多少并发就崩了，而DSpark还能保持6倍以上的吞吐量。

在更常规的中等负载场景下，要求每个用户每秒80个字，DSpark单GPU的总吞吐量从10000 token每秒提升到15100 token每秒，直接涨了51%。

成本打下来多少，

会不会牺牲回答质量？

在AI行业，训练成本是一次性的，推理成本却是永续的。

怎么理解这个问题呢？你训练一个大模型，不管你花了几个亿、几十个亿，花完就花完了。

推理不一样，模型上线之后，用户每问一个问题，GPU就要跑一次，这个成本7×24小时不停，用户越多跑得越多，永远停不下来。

这就意味着，谁能把推理成本打下来，谁就能赚钱。也可以反过来说，模型再强，如果推理成本控制不住，那么模型的规模越大，厂商死得就越快。

同样的GPU数量，DSpark在完全不改变硬件的前提下，可以让每个用户的生成速度快60%到85%。

原来等10秒钟才出来的回复，现在五六秒就出来了。

DeepSeek还给出了一个非常极端的场景。遇到热点事件、大量用户同时涌进来的时候，之前的系统如果扛不住，要么排队排到用户放弃，要么直接崩掉。扩容需要时间，GPU也不是你说加就能立刻加上的。

DSpark靠动态调度，负载一高，自动缩短验证长度，避免占用关键的批处理容量。这样就能在不扩容的情况下扛住流量尖峰。

那么问题又来了，快是快了，DeepSeek会因此而偷工减料？回答质量会不会下降？

答案是零损失。

这是投机解码这个技术路线本身的数学性质决定的。拒绝采样机制从数学上严格保证：大模型最终输出的每一个token，它的概率分布和大模型自己一个字一个字写出来的分布完全一致。所以单从数学验证上来讲，质量不会下降。

DSpark论文原文写到：“the acceptance rule preserves the target distribution exactly, speculative decoding accelerates generation without any quality loss.”接纳规则能够精准完整地保留目标分布，投机解码可在不损失输出质量的前提下加速生成过程。

不仅如此，论文还在数学推理、代码生成、日常对话三个领域做了离线准确率测试，和原模型没有统计显著差异。

线上部署之后，也没有收到回答质量下降的用户反馈。

而且由于草稿模型本身体积非常小，只占总计算量的不到10%，虽然多多少少会影响服务器负载，但是在51%的实测提升面前，这点负载可以忽略不计。

DeepSeek向来以便宜著称，推理成本打下来40%之后，DeepSeek就有了更大的降价空间。

它本来的API定价就已经是行业最低的了，现在成本再降一截，token价格可能也会跟着降。甚至有可能进一步提高免费用户的额度。

更关键的是，这次DeepSeek不光是发了模型权重，还把整个DeepSpec训练框架开源了。

DeepSpec是专门用来训练投机解码草稿模型的统一训练工具箱，也就是说，你可以用这套工具给自己的Qwen3、Gemma等模型训练草稿模型。

等于把整个行业的推理成本基准线又往下拉了一个台阶。

坚持省钱16年

2010年，梁文锋在浙江大学读硕士，他的硕士论文题目叫《基于低成本PTZ摄像机的目标跟踪算法研究》。

这个名字现在看起来非常“梁文锋”。

当时做计算机视觉目标跟踪的实验室，标配是几万块一台的工业相机，精度高、可控性强。梁文锋不买，他用的是几百块钱的普通民用球机。

他的论点是，硬件的差距可以用算法补。通过自研的跟踪算法优化，他把便宜摄像头的跟踪精度做到了接近贵价设备的水平。

16年过去，梁文锋依然执着于用算法给硬件省钱，可以说是相当的不忘初心了。

为什么别的大模型公司都想方设法提升性能，DeepSeek却想要省钱？因为钱是梁文锋自己的。

在DeepSeek完成融资后，外媒爆料称，DeepSeek成立近三年，完全由梁文锋创立的幻方量化用利润养活，并且期间多次拒绝外部投资。

幻方量化2025年平均收益率高达56.55%，全年营收约86亿元，梁文锋个人持股85%，每年分红数十亿元，个人资产据估算在500亿至1000亿元之间。今年启动的首轮超500亿元融资中，梁文锋个人掏了200亿，占总融资额的40%，是最大单一出资方。

外部投资者的钱不直接进 DeepSeek 主体，而是先注入由梁文锋担任普通合伙人的有限合伙企业，外部投资方成为有限合伙人，只有收益权和财务信息查阅权，没有任何投票权，全部股份锁定五年，禁止转让和退出。

在DeepSeek，梁文锋同时扮演投资者、管理者和研究者。

省下来的每一分成本，都是直接装进梁文锋自己的口袋里。

面对“多买100张GPU还是让团队做工程优化”这道题时，大多数人的答案都是前者。快，并且有OpenAI和Anthropic作为开路先锋，花的又不是自己的钱，是投资人的钱，也没什么好心疼的。

梁文锋选后者，因为他比任何人都清楚这张卡要跑多少token才能回本。

三个角色叠在一个人身上，产生了一个AI行业里极其罕见的决策闭环。

研究者提出“可以省”，管理者判断“应该省”，投资者确定“自己买单也愿意省”。没有层级汇报，没有跨部门拉齐。

DSpark就是这条决策链的最新产物。