当前位置：首页 > news >正文

DeepSeek联合北大最新文章DSpark：如何让大模型推理速度提升 85%？

news 2026/6/30 22:12:06

一篇来自 DeepSeek-AI 与北京大学的联合研究，彻底重新定义了 LLM 高并发推理的效率天花板。

论文标题：DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation
机构：DeepSeek-AI + 北京大学
arXiv：待发布（论文内引用 DeepSeek-V4 为 arXiv:2606.19348）

你每天用的 AI 助手，背后在拼命"抢时间"

每次你向 AI 输入一个问题，背后的服务器都在和时间赛跑。

大语言模型（LLM）生成文本的方式天生很"慢"——它必须一个词一个词地蹦出来，每个词都要过一遍整个模型。用户越多，服务器越挤，响应就越慢。

为了解决这个问题，研究者们发明了推测解码（Speculative Decoding）：先用一个小模型快速"猜"好几个词，再让大模型一次性验证。如果猜对了，就相当于大模型一次生成了多个词，速度自然快了很多。

但问题来了：

猜太多：后面的词越来越不准，大量验证资源被浪费
高并发时：每个请求都多验证几个词，整体吞吐量反而崩掉
自回归小模型：逐词生成太慢，块很小；并行小模型：一次全猜，但词之间互相不依赖，后几个词质量急剧下降

DeepSeek-AI 联合北京大学给出了一个优雅的答案——DSpark。

DSpark 是什么？

DSpark 全称Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation，是一个统一了高吞吐草稿生成与自适应验证调度的推测解码框架。

它的核心思路可以用一句话概括：

“用半自回归架构草稿得更准，用置信度调度器验证得更聪明。”

两大核心创新

创新一：半自回归生成（Semi-Autoregressive Generation）

先看一个经典的并行解码错误案例：

假设 AI 要补全句子 “当然可以，没问题”。并行模型同时预测每个词，但因为不知道前一个词是"没"，可能输出"当然问题"——词义混乱，典型的"多模态碰撞"。

DSpark 的解法是两阶段设计：

第一阶段：并行主干（Parallel Backbone）

继承 DFlash 架构，一次前向传播生成整个草稿块的隐藏状态和基础 logits
速度快，推理延迟几乎不随块长增加
可以堆更深的层数，第一个词的预测精度远高于浅层自回归模型

第二阶段：轻量顺序头（Sequential Head）

在并行主干之上，附加一个极轻量的逐步修正模块
每一步采样后，将前一个词的信息注入下一个词的概率分布
两种实现：Markov Head（只看前一个词，低秩矩阵实现）和RNN Head（维护递归状态，捕获更长依赖）

图1：DSpark 的架构与解码流程。给定提示词 ABC，目标模型先生成锚定词 D，DSpark 用并行主干+轻量顺序头生成草稿词 EFGH 及对应置信分数 c₁–c₄，调度器保留前缀 EFG、丢弃低置信词 H，目标模型并行验证，E/F 被接受、G 被拒绝并重生成 G。*

这个设计的精妙之处在于：顺序头极轻，延迟几乎可以忽略不计。实测中，将草稿长度从 4 扩展到 16，顺序头仅带来额外 0.2%~1.3% 的延迟，却换来高达 30% 的接受长度提升。

创新二：置信度调度验证（Confidence-Scheduled Verification）

并行模型生成了一个长草稿块，但不能所有词都送去验证——高并发时，这会把目标模型的 batch 容量全占满。

DSpark 通过两步解决这个问题：

2.1 置信度头（Confidence Head）

对每个草稿位置k kk，输出一个标量c k ∈ ( 0 , 1 ) c_k \in (0,1)ck∈(0,1)，估计"在前面所有词都被接受的条件下，第k kk个词被接受的概率"：

c k = σ ( w ⊤ [ h k ; W 1 [ x k − 1 ] ] ) c_k = \sigma\big(w^\top [h_k;\, W_1[x_{k-1}]]\big)ck=σ(w⊤[hk;W1[xk−1]])

其中h k h_khk是主干的隐藏状态，W 1 [ x k − 1 ] W_1[x_{k-1}]W1[xk−1]是 Markov 嵌入（前一个词的信息）。

训练时用总变差距离作为监督信号，直接对齐真实接受率：

c k ∗ = 1 − 1 2 ∥ p k d − p k t ∥ 1 c_k^* = 1 - \tfrac{1}{2}\|p_k^d - p_k^t\|_1ck∗=1−21∥pkd−pkt∥1

后验温度缩放（Sequential Temperature Scaling）：原始置信分通常过度自信，导致联合生存概率被高估。DSpark 从左到右逐位置校准温度，将预期校准误差（ECE）从 3%~8% 降至约 1%，为调度器提供可靠的概率估计。

2.2 硬件感知前缀调度器（Hardware-Aware Prefix Scheduler）

调度问题被建模为全局吞吐量最大化：

max ⁡ ℓ 1 , … , ℓ R Θ = τ ⋅ SPS ( B ) \max_{\ell_1,\ldots,\ell_R} \Theta = \tau \cdot \text{SPS}(B)ℓ1,…,ℓRmaxΘ=τ⋅SPS(B)

其中B = ∑ r ( 1 + ℓ r ) B = \sum_r (1 + \ell_r)B=∑r(1+ℓr)是验证批次大小，τ = ∑ r ∑ j = 1 ℓ r a r , j \tau = \sum_r \sum_{j=1}^{\ell_r} a_{r,j}τ=∑r∑j=1ℓrar,j是期望接受词数，SPS ( B ) \text{SPS}(B)SPS(B)是硬件吞吐曲线（引擎初始化时预先 profiling，存为轻量查找表）。

求解策略：贪心排序 + 早停。将所有请求的所有候选词按生存概率降序排列，逐一加入验证批次，一旦吞吐量开始下降立即停止。这保证了：

算法复杂度低，O(γR log γR)
严格因果性（不会用未来信息做决策，保证无损解码）

实验结果：数字说话

离线基准：草稿质量碾压 SOTA

在 Qwen3-4B/8B/14B 和 Gemma4-12B 四个目标模型上，横跨数学推理、代码生成、日常对话三大领域：

模型	vs. Eagle3（自回归）	vs. DFlash（并行）
Qwen3-4B	+30.9%	+16.3%
Qwen3-8B	+26.7%	+18.4%
Qwen3-14B	+30.0%	+18.3%

DSpark 同时超越了最强自回归基线（Eagle3）和最强并行基线（DFlash）。

位置级分析：为什么并行模型反而赢了自回归？

图2：三种架构在各草稿位置的条件接受率对比（Qwen3-4B）。注意 DFlash 在位置 1 的高起点，以及自回归 Eagle3 在后期位置的稳定性，而 DSpark 两者兼得。

这张图揭示了一个反直觉的现象：

位置 1：并行模型（DFlash）大幅领先自回归模型（Eagle3）——因为并行模型可以堆更深的层数，第一个词预测更准。而推测解码是严格前缀匹配，第一个词一旦被拒，后面全废，所以位置 1 的优势被极度放大。
位置 2-7：自回归模型因为有前词条件，接受率稳定甚至上升；并行模型（DFlash）因独立预测导致"多模态碰撞"，接受率快速衰减。
DSpark：同时继承了两者的优势——高起点 + 稳定后缀。

草稿深度与块长的影响

图3：草稿深度对比。仅用 2 层的 DSpark 就超越了 5 层的 DFlash 基线，体现了顺序建模的参数效率优势。

图4：草稿块长度变化时的性能与延迟。随着块长增大，DSpark 与 DFlash 的差距持续扩大，而顺序头的额外延迟几乎可以忽略（最右图）。

置信度阈值扫描

图5：置信度阈值扫描实验。随着阈值上升，被拒词（斜线条）被有效过滤，接受率大幅提升。Chat 任务提升最显著（45.7% → 95.7%），结构化任务（Math/Code）本身接受率高，提升相对温和。

图6：置信度可靠性图（Alpaca 数据集）。校准前（蓝色）明显过度自信，经 STS 后（红色）与完美校准线高度吻合，ECE 从 5.7%~8.2% 降至约 0.4%~2.0%。

生产部署：Pareto 前沿的跃迁

真实流量下的性能突破

图7：DeepSeek-V4-Flash（左）和 V4-Pro（右）在真实用户流量下的吞吐量 vs. 每用户生成速度（TPS）。散点为实测遥测数据，曲线为拟合的 Pareto 前沿。DSpark 将整条曲线显著向右上方平移。

在 DeepSeek-V4 生产系统中对比旧基线 MTP-1（单词草稿）：

V4-Flash

中等 SLA（80 tok/s/user）：吞吐量提升51%，同等吞吐下 TPS 提升60%
严格 SLA（120 tok/s/user）：MTP-1 接近崩溃，DSpark 仍可维持有效吞吐，TPS 提升85%

V4-Pro

中等 SLA（35 tok/s/user）：吞吐量提升52%，TPS 提升57%
严格 SLA（50 tok/s/user）：MTP-1 严重退化，DSpark TPS 提升78%

更重要的是，DSpark 解锁了此前根本无法维持的严格交互性层级——那是 MTP-1 无论如何也到不了的区域。

负载自适应调度

图8：吞吐量与验证预算随并发数的变化。轻负载下调度器分配 4–6 个验证词（超越 MTP-1 的静态 2 词），高负载下自动收缩预算，防止 batch 容量争抢。

这张图展示了 DSpark 调度器的核心价值：它不是一个固定策略，而是一个实时感知硬件负载的自适应系统——轻载时大胆展开，高载时精准收缩，始终在当前硬件状态下寻找最优工作点。

技术细节：工程上的挑战

DSpark 的生产部署并非一帆风顺，论文详细记录了两个核心工程挑战：

挑战1：训练效率

草稿模型需要目标模型输出分布作为监督，朴素实现通信开销极大（词表大小 ~10⁵）
解法：只传递目标模型最后一层 hidden state，再在本地做 LM head 投影，通信复杂度从 O(V) 降至 O(d)
另外实现了"锚点有界序列打包"，解耦草稿训练与完整上下文长度，大幅减少内存和计算开销

挑战2：异步调度与 ZOS 兼容

实际硬件 SPS 曲线是锯齿状非单调的，朴素早停会陷入局部最优
ZOS（Zero-Overhead Scheduling）要求下一步 batch size 在当前步完成前就必须确定
解法：异步调度，用前两步的置信度预测来确定当前步的验证容量上限（top-K 选取），实际候选词仍用当前最新置信分排序
关键洞察：异步设计天然形成因果屏障，使得去掉早停后的全局搜索依然满足无损解码的非预期性要求

与相关工作的对比

方法	架构	调度	生产验证
Eagle3	自回归（TTT）	静态长度	无
DFlash	完全并行	静态长度	无
SpecDec++	任意	静态置信阈值	无
DSpark	半自回归	硬件感知动态调度	DeepSeek-V4 生产