أطلقت DeepSeek DSpark — إطار عمل يسرّع التوليد على DeepSeek-V4 بنسبة 57–85%

أطلقت DeepSeek الكود المفتوح لـ DSpark — إطار عمل للفك التكهنني يتكامل مع أوزان DeepSeek-V4 الموجودة ويسرع إنشاء النص لكل مستخدم بنسبة 57–85% دون فقدان جودة الإجابات.

مشكلة الاستدلال على نطاق واسع

تولد نماذج اللغة القياسية الرموز بشكل صارم متسلسل: كل خطوة تالية تتطلب مسارًا كاملاً عبر الشبكة العصبية. تحت حمل GPU عالي، يبقى المسرع خاملاً معظم الوقت في الانتظار — هذا ما يسمى بالوضع "memory-bound"، حيث لا يكون الاختناق في الحساب بل في نقل الأوزان من الذاكرة. تحل الشركات التي تنشر LLMs في الإنتاج هذه المشكلة بطرق مختلفة: الكمية تقلل الدقة، التقطير يتطلب إعادة التدريب، القص يضعف السيناريوهات النادرة. الفك التكهنني يحتل مكانًا خاصًا — إنه يغير ترتيب الحسابات، لكن ليس جوهرها، لذا النتيجة متطابقة رياضيًا مع النموذج الأصلي. يتنبأ نموذج "مسودة" خفيف بسرعة برموز عديدة قادمة، والنموذج الرئيسي في مسار واحد يتحقق من كامل التسلسل المقترح — ويوازي العمل الذي لم يكن يمكن موازاته من قبل.

كيف يعمل DSpark

يطبق DSpark الفك التكهنني لـ DeepSeek-V4 من خلال أربع آليات مترابطة:

• وحدة المسودة المتوازية — تولد بسرعة عدة رموز تالية دون انتظار دورة كاملة من النموذج الرئيسي
• رأس ماركوف — طبقة علوية خفيفة تقلل من "تحلل اللاحقة": تدهور دقة المسودة مع إطالة التسلسل
• التحقق المجدول بالثقة — يكيف ديناميكيًا عدد الرموز المراد التحقق منها بناءً على حمل GPU الحالي في الوقت الفعلي
• التكامل السلس — يرتبط DSpark بأوزان DeepSeek-V4 الموجودة دون إعادة تدريبها؛ يحتاج فقط إلى تدريب وحدة المسودة عبر مستودع DeepSpec

الابتكار الرئيسي هو القدرة على التكيف مع الحمل. عندما تكون GPU مشغولة، يتحقق النظام من عدد أقل من الرموز لكل مسار؛ عندما يكون هناك مجال — أكثر. تستخدم التطبيقات التقليدية للفك التكهنني عدد ثابت من الرموز المحققة، مما يؤدي إلى خسائر خلال قمم الحمل. يحل DSpark هذه الفئة من المشاكل بشكل منهجي دون التضحية بالحتمية.

ما تظهره القياسات

تسجل الاختبارات غير المتصلة بالإنترنت زيادة في الطول المقبول (الحجم المتوسط لكتلة الرموز التي ينبئ بها نموذج المسودة بشكل صحيح) بنسبة 16–31% مقارنة مع DFlash و Eagle3 — المنافسون في نفس فئة أدوات تحسين الاستدلال. في ظروف الإنتاج، الكسب أكثر أهمية: تزداد سرعة الإنشاء لكل مستخدم بنسبة 57–85% بالنسبة إلى MTP-1 الأساسي. العملية خالية من الخسائر تماما — لا يتم استبدال أي رمز بتقريب، الإجابات متطابقة رياضيًا مع الأصلية. بالنسبة لخدمات API المحملة، هذا يعني أن مجموعة واحدة بنفس البنية التحتية يمكنها خدمة عدد أكبر بكثير من الجلسات المتوازية.

الكود المفتوح تحت MIT

جنبًا إلى جنب مع DSpark، تنشر الفريق DeepSpec — مستودع لتدريب نماذج المسودة — تحت ترخيص MIT: استخدام تجاري مجاني، والفك والدمج في خطوط أنابيب خاصة دون قيود. هذا يستمر في خط DeepSeek المبدئي حول الانفتاح. نشرت الشركة سابقًا تفاصيل معمارية V3 و R1؛ الآن تفتح مستوى البنية التحتية — أدوات تسريع الاستدلال التي تحتفظ بها موفرو الخدمات الكبرى عادة باعتبارها ملكية خاصة.

ماذا يعني هذا

DSpark هو إجابة عملية على السؤال الرئيسي للإنتاج: كيفية الحصول على المزيد من الأجهزة المشتراة بالفعل. تحسن السرعة بنسبة 57–85% دون فقدان الجودة وبدون إعادة تدريب النموذج الرئيسي — توفير مباشر في ساعات GPU للجميع الذين ينشرون DeepSeek-V4. جعل ترخيص MIT المفتوح الإطار متاحًا لأي فريق — من الناشئات إلى مراكز البيانات المؤسسية.