DSpark 的 661% 提速，是真突破还是数字游戏？

2026 年 6 月 27 日，DeepSeek 和北大联合放出论文《DSpark》，梁文锋亲自署名。隔天，爱范儿、量子位接连拆解，标题里都写着两个数字：单用户生成速度提升 85%，高并发场景系统吞吐名义优势 661%。

85% 看起来还行。661% 这个数字太像营销话术了——你买股票一年能涨 661% 吗？一家公司能让推理速度凭空翻 6 倍？

这篇论文到底在说什么？这 661% 是怎么算出来的？以及更重要的：DeepSeek 把这套东西开源，意味着大模型竞争进入了什么新阶段？

答案分三层：这是一次正经的工程突破，「661%」不是骗术但确实有特定前提，它指向的是「大模型竞赛换赛道」。

---

一、为什么你的 AI 一直在「挤牙膏」

要理解 DSpark 在解决什么，先得理解一件事：大模型生成慢，不是「算力不够」，是「必须串行」。

主流语言模型是自回归的。第 N+1 个 token，必须等第 N 个算完才能开始。GPU 算一个 token 是几十毫秒量级，要写一段 1000 token 的回复，就是 1000 次串行计算。每多等一个 token，用户都要等几十毫秒。

但这里有个反直觉的物理事实：GPU 解码的瓶颈不是浮点运算，而是显存带宽。

卡帕西讲过一句话：让 GPU 同时解码 10 个 token，其实只比解码 1 个 token 慢一点点。原因在于，模型权重一旦从显存搬到计算核心，搬一次和搬十次的开销差别不大（数据来源：量子位转引卡帕西公开演讲）。既然权重已经在缓存里了，不如一次搬运、干十件事。

这就是推测解码（speculative decoding）的全部物理学基础。

它的思路是：用一个轻量级的「草稿模型」（draft model）先猜出接下来 N 个候选 token，然后让真正负责质量的「目标模型」（target model）一次性批量验证这 N 个 token。验证通过的留下，第一个分歧点之后重新采样。

这样做的好处是：target model 那次贵的前向计算，可以一次性确认多个 token，把多次串行变成一次并行批处理。质量上无任何损失——数学上能证明输出分布和原模型完全一致。

用餐厅类比：自回归是主厨「一道菜做完再做下一道」；推测解码是「让帮厨先把 5 道菜的半成品备好，主厨一次性验收」。

听起来很美。但帮厨备的菜可能不对路。这是 DSpark 要解决的事。

---

二、老路线的两难：草稿要么慢、要么糊

过去几年推测解码大致走两条路线，两条都有硬伤。

第一条是自回归草稿（Eagle3、MTP）。

草稿模型自己也是一个语言模型，按顺序一个 token 接一个 token 生成候选。好处是前后连贯，候选质量高。但代价是：draft 阶段本身是串行的——你想生成 N 个候选 token，draft 阶段就得跑 N 步。step 数越多，draft 越慢，前面攒下来的批处理优势就被吃光了。

第二条是并行草稿（DFlash）。

借鉴扩散模型的思想，一次前向传播把全部 N 个候选位置同时产出。速度确实快。问题在于各位置之间没有依赖关系。

论文里给了一个直白的例子：模型面对某个上下文，可能同时存在「of course」和「no problem」两种合理续写。位置 1 采出「of」，位置 2 独立采出「problem」，各自看概率都合理，拼在一起就成了「of problem」。论文管这叫多模态碰撞（multimodal collision），更广义的术语是后缀衰减（suffix decay）——位置越靠后，接受率急剧下滑。