省錢，我只服梁文鋒

DeepSeek最讓人詬病的地方就是服務器總崩，但是從現在開始，DeepSeek可能再也不會出現服務器卡頓和宕機了。

原因在于，梁文鋒掛名發表了一篇論文，標題為《DSpark：基于置信度調度的推測解碼與半自回歸生成》。按照DeepSeek的傳統，DSpark讀起來應該是D·Spark，而不是DS·park。

這是梁文鋒從2024年發表的《DeepSeek LLM》之后，他掛名發表的第12篇論文。不只是如此，DSpark這篇論文，還和梁文鋒在2010年發表的碩士畢業論文“撞車”了。

DSpark相當于是給DeepSeek裝上了加速器，對用戶來說，體感就是快、穩、不崩。

同樣質量的回答，速度直接快了60%到80%，原來等10秒的回復現在五六秒就出來.

最關鍵的是，高峰時段，DeepSeek也不會再一直“轉圈”了。

這個DSpark到底有多神奇？別急，我講給你聽。

01

DSpark到底是什么，解決了DeepSeek什么老問題

大模型生成文字這件事，本質上是一個“猜字游戲”。模型每寫一個字，都要把前面所有寫過的字重新看一遍，算一遍，才能決定下一個字該寫什么。

每寫一個字，AI就得從頭到尾跑一次，寫100個字，就要把自己寫的東西重新消化99遍。學術上，把這個“自己回歸自己”的過程，叫做“自回歸生成”。

整個過程就是現在的自己在跟上一步的自己較勁，上一步沒算完，下一步就動不了。

所以過去幾年，業界都在琢磨同一件事，能不能讓模型一口氣猜一串字？

這個思路，就是DSpark論文中提到的核心機制——投機解碼（Speculative Decoding）。

它的運行邏輯是這樣的，找一個跑得快但水平一般的模型當草稿，讓它先憑感覺一口氣猜出后面好幾個字，然后把這一串字一次性拿給大模型驗證。

大模型掃一眼，前面連續猜對的直接保留，從第一個猜錯的地方開始，大模型自己寫一個對的，草稿模型再接著往下猜。

這樣就可以確保，輸出的內容是大模型認可的，而且速度還比一個字一個字猜地要快。

業內普遍認為有兩種投機解碼。

第一種是“老實人”打法。草稿模型也一個字一個字地猜，猜完一個、看一眼前文、再猜下一個。好處是輸出質量更高，壞處是它猜得太慢了，速度跟大模型自己寫都差不多了。

第二種是不管三七二十一，刷刷刷一口氣把后面所有字全猜出來。雖然速度快，但是猜字時根本不會考慮前面完整的句子，它只看上一個字是什么。

這就導致一開始還好，但是猜字越往后，輸出質量就會越低。

論文里把這個現象叫“后綴衰減”：第一個字的正確率還行，第二個大幅下滑，到了第五個第六個基本上就是在瞎猜了。

DSpark的核心思路叫半自回歸生成。簡單來說，它把上述兩種辦法給結合在一起了。

第一步，以極快的手速嘩嘩嘩把后面的字全給你猜出來。猜完之后回過頭來檢查一遍，看看有沒有什么語句不通順、錯別字之類地。

第二步，DSpark會給每個字打個“靠譜分”，比如第一個字90分，第二個80分，第三個60分，第四個30分。但是這里有個問題，打完分之后，DSpark就知道哪個字寫錯了，如果要給它改對，相當于回到了一開始自回歸的方法當中，好不容易提高的效率，又送回去了。

所以DSpark提出了一個方法，它會提前測量好大模型在不同批大小下的處理速度，然后每個請求的草稿按靠譜分從高到低排好隊。

它先把所有請求里最高分的那一批，拿給大模型驗。

這個過程很快，因為量少。然后它問自己：要不要把第二批也加進去？加了之后大模型要多花一點時間，這批字有80%是對的，能多賺幾百個正確結果。多花的時間除以多賺的正確字，算出來一個效率值。賺了，加。第三批，60%正確率。以此類推。

根據當前服務器的忙碌程度，不忙的時候，全拿過去，能多猜對一個就多猜對一個。

如果大模型此時很忙，那就只把前幾個高分拿過去讓大模型驗，后面那些大概率錯的就別去添亂了，省下時間多服務幾個用戶。

整個過程，叫做置信度調度驗證。

之前有很多加速方案，但它們都有一個共同的毛病，那就是單用戶測起來快得不得了，一上高并發就崩。

現在的DeepSeek，一到晚上高峰就卡、就崩。

本質上就是高峰時段用戶請求多，GPU的批處理壓力極大，但之前MTP-1的投機解碼方案會把大量算力浪費在驗證那些大概率猜錯的token上。

這些token被草稿模型隨便猜出來，大模型看了一眼就駁回，但駁回的過程已經消耗了寶貴的GPU周期。

有效吞吐量被嚴重拉低，請求越積越多，排隊越來越長，用戶體驗就是卡頓甚至加載不出來。

DSpark部署后，這個問題應該會得到緩解。

實測數據顯示，在嚴格的低延遲要求下，比如V4-Flash要保證每個用戶每秒看到120個字，之前的MTP-1系統基本撐不住多少并發就崩了，而DSpark還能保持6倍以上的吞吐量。

在更常規的中等負載場景下，要求每個用戶每秒80個字，DSpark單GPU的總吞吐量從10000 token每秒提升到15100 token每秒，直接漲了51%。

02

成本打下來多少，會不會犧牲回答質量？

在AI行業，訓練成本是一次性的，推理成本卻是永續的。

怎么理解這個問題呢？你訓練一個大模型，不管你花了幾個億、幾十個億，花完就花完了。

推理不一樣，模型上線之后，用戶每問一個問題，GPU就要跑一次，這個成本7×24小時不停，用戶越多跑得越多，永遠停不下來。

這就意味著，誰能把推理成本打下來，誰就能賺錢。也可以反過來說，模型再強，如果推理成本控制不住，那么模型的規模越大，廠商死得就越快。

同樣的GPU數量，DSpark在完全不改變硬件的前提下，可以讓每個用戶的生成速度快60%到85%。

原來等10秒鐘才出來的回復，現在五六秒就出來了。

DeepSeek還給出了一個非常極端的場景。遇到熱點事件、大量用戶同時涌進來的時候，之前的系統如果扛不住，要么排隊排到用戶放棄，要么直接崩掉。擴容需要時間，GPU也不是你說加就能立刻加上的。

DSpark靠動態調度，負載一高，自動縮短驗證長度，避免占用關鍵的批處理容量。這樣就能在不擴容的情況下扛住流量尖峰。

那么問題又來了，快是快了，DeepSeek會因此而偷工減料？回答質量會不會下降？

答案是零損失。

這是投機解碼這個技術路線本身的數學性質決定的。拒絕采樣機制從數學上嚴格保證：大模型最終輸出的每一個token，它的概率分布和大模型自己一個字一個字寫出來的分布完全一致。所以單從數學驗證上來講，質量不會下降。

DSpark論文原文寫到：“the acceptance rule preserves the target distribution exactly, speculative decoding accelerates generation without any quality loss.”接納規則能夠精準完整地保留目標分布，投機解碼可在不損失輸出質量的前提下加速生成過程。

不僅如此，論文還在數學推理、代碼生成、日常對話三個領域做了離線準確率測試，和原模型沒有統計顯著差異。

線上部署之后，也沒有收到回答質量下降的用戶反饋。

而且由于草稿模型本身體積非常小，只占總計算量的不到10%，雖然多多少少會影響服務器負載，但是在51%的實測提升面前，這點負載可以忽略不計。

DeepSeek向來以便宜著稱，推理成本打下來40%之后，DeepSeek就有了更大的降價空間。

它本來的API定價就已經是行業最低的了，現在成本再降一截，token價格可能也會跟著降。甚至有可能進一步提高免費用戶的額度。

更關鍵的是，這次DeepSeek不光是發了模型權重，還把整個DeepSpec訓練框架開源了。

DeepSpec是專門用來訓練投機解碼草稿模型的統一訓練工具箱，也就是說，你可以用這套工具給自己的Qwen3、Gemma等模型訓練草稿模型。

等于把整個行業的推理成本基準線又往下拉了一個臺階。

03

堅持省錢16年

2010年，梁文鋒在浙江大學讀碩士，他的碩士論文題目叫《基于低成本PTZ攝像機的目標跟蹤算法研究》。

這個名字現在看起來非常“梁文鋒”。

當時做計算機視覺目標跟蹤的實驗室，標配是幾萬塊一臺的工業相機，精度高、可控性強。梁文鋒不買，他用的是幾百塊錢的普通民用球機。

他的論點是，硬件的差距可以用算法補。通過自研的跟蹤算法優化，他把便宜攝像頭的跟蹤精度做到了接近貴價設備的水平。

16年過去，梁文鋒依然執著于用算法給硬件省錢，可以說是相當的不忘初心了。

為什么別的大模型公司都想方設法提升性能，DeepSeek卻想要省錢？因為錢是梁文鋒自己的。

在DeepSeek完成融資后，外媒爆料稱，DeepSeek成立近三年，完全由梁文鋒創立的幻方量化用利潤養活，并且期間多次拒絕外部投資。

幻方量化2025年平均收益率高達56.55%，全年營收約86億元，梁文鋒個人持股85%，每年分紅數十億元，個人資產據估算在500億至1000億元之間。今年啟動的首輪超500億元融資中，梁文鋒個人掏了200億，占總融資額的40%，是最大單一出資方。

外部投資者的錢不直接進 DeepSeek 主體，而是先注入由梁文鋒擔任普通合伙人的有限合伙企業，外部投資方成為有限合伙人，只有收益權和財務信息查閱權，沒有任何投票權，全部股份鎖定五年，禁止轉讓和退出。

在DeepSeek，梁文鋒同時扮演投資者、管理者和研究者。

省下來的每一分成本，都是直接裝進梁文鋒自己的口袋里。

面對“多買100張GPU還是讓團隊做工程優化”這道題時，大多數人的答案都是前者。快，并且有OpenAI和Anthropic作為開路先鋒，花的又不是自己的錢，是投資人的錢，也沒什么好心疼的。

梁文鋒選后者，因為他比任何人都清楚這張卡要跑多少token才能回本。

三個角色疊在一個人身上，產生了一個AI行業里極其罕見的決策閉環。

研究者提出“可以省”，管理者判斷“應該省”，投資者確定“自己買單也愿意省”。沒有層級匯報，沒有跨部門拉齊。

DSpark就是這條決策鏈的最新產物。