DeepSeek 此前最大的省钱槽点莫过于服务器频繁崩溃，但这一局面有望彻底终结。只服

根源在于，梁文梁文锋挂名发表了一篇新论文，省钱题为《DSpark：基于置信度调度的只服推测解码与半自回归生成》。遵循 DeepSeek 一贯的梁文命名习惯，DSpark 应读作 D·Spark，省钱而非 DS·park。只服

这是梁文继 2024 年《DeepSeek LLM》之后，梁文锋挂名发表的省钱第 12 篇论文。值得注意的只服是，DSpark 的梁文核心思想与其 2010 年的硕士毕业论文存在惊人的相似性。

DSpark 相当于为 DeepSeek 安装了“加速器”，省钱用户最直观的只服体感便是：快、稳、梁文不崩。

同等质量的回答，生成速度提升 60% 至 80%。原本需要等待 10 秒的回复，现在仅需 5-6 秒即可呈现。

最关键的是，在流量高峰时段，DeepSeek 将不再频繁出现“转圈”加载现象。

DSpark 究竟有何神奇之处？下文详述。

01 DSpark 是什么，解决了 DeepSeek 的什么痛点？

大模型生成文本的本质，是一场“猜字游戏”。模型每输出一个字，都需要重新审视并计算此前生成的所有文字，才能推断出下一个字。

这意味着，每写一个字，AI 都要从头到尾运行一次。若生成 100 个字，模型需将自身生成的内容重新处理 99 遍。学术界将这种“自我回归”的过程称为自回归生成（Autoregressive Generation）。

这种机制导致当前状态必须等待上一状态计算完毕，效率低下。因此，业界长期致力于探索让模型“一口气猜出一串字”的可能性。

这正是 DSpark 论文的核心机制——投机解码（Speculative Decoding）。

其运行逻辑如下：
1. 部署一个速度快但精度稍逊的“草稿模型”，让其凭直觉快速预测后续多个字。
2. 将预测结果一次性提交给大模型进行验证。
3. 大模型扫描结果：连续正确的部分直接保留；首个错误处由大模型修正，随后草稿模型继续预测。

此举既确保了内容符合大模型标准，又大幅提升了生成速度。

业内投机解码主要有两种流派：

• “老实人”打法：草稿模型逐字预测，每次均参考前文。优点是输出质量高，缺点是速度缓慢，与大模型自回归生成效率相近。
• “暴力”打法：草稿模型无视前文语境，快速连续预测后续所有字。优点是速度快，缺点是随着预测长度增加，忽略上下文导致质量急剧下降。

论文中将后者质量下降的现象称为“后缀衰减”：第一个字准确率尚可，第二个字大幅下滑，至第五、六个字时近乎随机猜测。

DSpark 的核心创新在于半自回归生成（Semi-Autoregressive Generation），即融合上述两种策略：

1. 快速预生成：草稿模型以极快速度生成后续文本，随后进行初步校验，剔除语句不通或错别字。
2. 置信度打分：为每个预测字赋予“靠谱分”（如：第1字90分，第2字80分...）。

然而，若仅靠打分修正错误，仍需回溯至自回归模式，导致前期效率优势丧失。

为此，DSpark 提出置信度调度验证（Confidence-based Scheduling）：

• 预先测量大模型在不同批处理大小（Batch Size）下的处理速度。
• 将请求按置信度从高到低排序。
• 动态调度策略：
• 优先验证高分批次（量少，速度快）。
• 计算边际效益：若增加下一批次（如80%正确率）所耗时间少于其带来的正确收益，则纳入验证；否则舍弃低分批次。
• 闲时：全量验证，最大化预测数量。
• 忙时：仅验证高分批次，剔除低概率错误预测，节省 GPU 算力以服务更多用户。

此前许多加速方案在单用户测试中表现优异，但在高并发场景下极易崩溃。DeepSeek 夜间卡顿的本质，是 MTP-1 投机解码方案在高峰时段将大量算力浪费在验证大概率错误的 Token 上。这些被驳回的 Token 消耗了宝贵的 GPU 周期，导致有效吞吐量降低，请求积压，用户体验恶化。

DSpark 的部署将显著缓解此问题。

实测数据表明：

• 低延迟场景：在 V4-Flash 要求每秒 120 字/用户的严格条件下，旧系统 MTP-1 难以维持高并发，而 DSpark 吞吐量提升 6 倍以上。
• 中等负载场景：在每秒 80 字/用户的要求下，DSpark 单 GPU 总吞吐量从 10,000 token/s 提升至 15,100 token/s，增幅达 51%。

02 成本降低多少？是否牺牲回答质量？

在 AI 行业，训练成本是一次性的，而推理成本是永续的。

训练大模型可能耗资数亿，但一旦上线，用户每发起一次请求，GPU 便需运行一次，成本 7×24 小时持续产生。用户越多，推理成本越高。

因此，谁能降低推理成本，谁就能盈利。反之，若推理成本失控，模型规模越大，厂商亏损越快。

DSpark 在不改变任何硬件的前提下，使每个用户的生成速度提升 60% 至 85%。

应对高峰流量：
面对热点事件导致的大量并发请求，旧系统往往因排队过长导致用户流失或直接崩溃。扩容 GPU 存在时间滞后。DSpark 通过动态调度，在负载升高时自动缩短验证长度，避免占用关键批处理容量，从而在不扩容的情况下扛住流量尖峰。

质量是否下降？

答案是：零损失。

这由投机解码的数学性质决定。拒绝采样机制（Rejection Sampling）从数学上严格保证：大模型最终输出的 Token 概率分布，与模型逐字生成的分布完全一致。

DSpark 论文原文指出：

“the acceptance rule preserves the target distribution exactly, speculative decoding accelerates generation without any quality loss.”
（接纳规则精准保留目标分布，投机解码在不损失输出质量的前提下加速生成。）

此外，论文在数学推理、代码生成、日常对话三个领域进行了离线准确率测试，结果显示与原模型无统计显著差异。线上部署后，亦未收到质量下降的用户反馈。

虽然草稿模型增加了少量计算负载（占总计算量不到 10%），但在 51% 的吞吐量提升面前，这一损耗可忽略不计。

商业影响：
DeepSeek 以高性价比著称。推理成本降低 40% 后，其降价空间进一步扩大。鉴于其 API 定价已是行业最低，Token 价格可能继续下调，甚至可能提高免费用户额度。

更重要的是，DeepSeek 不仅开源了模型权重，还开源了 DeepSpec 训练框架。这是一个用于训练投机解码草稿模型的统一工具箱，用户可利用该工具为 Qwen3、Gemma 等模型训练专属草稿模型，从而进一步拉低全行业的推理成本基准线。

03 坚持省钱 16 年

2010 年，梁文锋在浙江大学攻读硕士，其毕业论文题目为《基于低成本 PTZ 摄像机的目标跟踪算法研究》。

这一选题极具“梁文锋风格”。

当时，计算机视觉实验室标配是售价数万元的工业相机，精度高且可控性强。梁文锋却反其道而行之，使用仅数百元的民用球机。

他的核心论点：硬件差距可用算法弥补。通过自研跟踪算法优化，他将廉价摄像头的跟踪精度提升至接近高端设备的水平。

16 年过去，梁文锋依然执着于“用算法为硬件省钱”，初心未改。

为何其他大模型公司追求极致性能，而 DeepSeek 执着于省钱？

因为钱是梁文锋自己的。

据外媒报道，DeepSeek 成立近三年，完全由梁文锋创立的幻方量化提供资金支持，期间多次拒绝外部投资。

• 幻方量化业绩：2025 年平均收益率高达 56.55%，全年营收约 86 亿元。
• 梁文锋资产：个人持股 85%，年分红数十亿元，个人资产估算在 500 亿至 1000 亿元之间。
• 融资结构：在首轮超 500 亿元融资中，梁文锋个人出资 200 亿元（占比 40%），为最大单一出资方。

外部资金不直接进入 DeepSeek 主体，而是注入由梁文锋担任普通合伙人的有限合伙企业。外部投资者仅作为有限合伙人，享有收益权和财务查阅权，无投票权，且股份锁定五年，禁止转让退出。

在 DeepSeek，梁文锋身兼投资者、管理者、研究者三重角色。

省下的每一分成本，都直接转化为梁文锋的个人收益。

面对“购买 100 张 GPU”还是“进行工程优化”的选择时，多数人会倾向于前者：快速见效，且有 OpenAI 和 Anthropic 等巨头开路，花的又是投资人的钱，无需心疼。

梁文锋选择后者，因为他比任何人都清楚每张 GPU 卡需要运行多少 Token 才能回本。

三重角色的叠加，形成了一个 AI 行业罕见的决策闭环：

• 研究者提出：“可以省”。
• 管理者判断：“应该省”。
• 投资者确认：“自己买单，愿意省”。

没有层级汇报，没有跨部门扯皮。

DSpark，正是这条决策链的最新产物。