DeepSeek 过去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

原因在于，梁文梁文锋挂名发表了最新论文《DSpark：基于置信度调度的省钱推测解码与半自回归生成》。按照 DeepSeek 的只服命名惯例，DSpark 应读作 D·Spark，梁文而非 DS·park。省钱

这是只服继 2024 年《DeepSeek LLM》之后，梁文锋挂名的梁文第 12 篇论文。值得注意的省钱是，DSpark 的只服核心思路与其 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”，梁文用户最直观的省钱体感便是：快、稳、只服不崩。梁文

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 究竟有何魔力？下文为您深度解析。

01 DSpark 是什么？它解决了 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，都必须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 都要从头到尾重新运算一遍。若生成 100 个字，模型需自我消化 99 次。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才能启动，效率低下。因此，业界长期致力于探索一种机制：让模型能否一次性预测多个字？

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

投机解码的运行逻辑

该机制引入一个速度较快但精度稍逊的“草稿模型”。草稿模型凭直觉一次性预测后续多个字，随后交由大模型进行验证。

• 验证通过：若连续预测正确，直接保留。
• 验证失败：从第一个错误处开始，由大模型重新生成正确结果，草稿模型随后接续预测。

此举既保证了内容符合大模型标准，又显著提升了生成速度。

两种传统投机解码的局限

业内通常有两种投机解码策略，但均存在缺陷：

1. “老实人”打法：草稿模型逐字预测。
2. 优点：输出质量高。
3. 缺点：速度缓慢，接近大模型原生生成速度，加速效果有限。
4. “盲猜”打法：草稿模型一次性预测所有后续文字。
5. 优点：速度极快。
6. 缺点：忽略上下文连贯性，仅依赖前一个词预测。
7. 后果：出现“后缀衰减”现象——首字准确率尚可，后续准确率断崖式下跌，至第 5-6 字时近乎瞎猜，导致输出质量严重下降。

DSpark 的核心创新：半自回归生成 + 置信度调度

DSpark 融合了上述两种策略，并引入了置信度调度（Confidence-based Scheduling）。

第一步：快速生成与自检
草稿模型以极快速度生成后续文字，随后进行初步自检，排查语句不通顺或错别字。

第二步：置信度打分
DSpark 为每个预测字赋予“靠谱分”（如：第 1 字 90 分，第 2 字 80 分...）。
* 传统困境：若发现错误并修正，需退回自回归模式，导致前期加速成果付诸东流。

第三步：动态调度验证
DSpark 提前测量大模型在不同批处理大小下的处理速度，并根据置信度对请求进行排序：
1. 优先验证高分批次：首先将置信度最高的请求提交给大模型验证。由于数量少，处理极快。
2. 边际效益计算：系统评估是否加入第二批（如 80% 正确率）。计算“额外耗时”与“多获正确Token数”的比值。若收益大于成本，则加入；否则放弃。
3. 动态调整：
* 低负载时：全量提交，尽可能多猜对。
* 高负载时：仅提交高分请求，避免低概率正确的请求占用 GPU 资源，从而服务更多用户。

解决高并发崩溃难题

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、宕机的根本原因在于：
* GPU 批处理压力过大：用户请求激增。
* 算力浪费：传统的 MTP-1 方案将大量算力浪费在验证大概率错误的 Token 上。草稿模型生成的错误 Token 被大模型驳回，但驳回过程已消耗宝贵的 GPU 周期。
* 吞吐量下降：有效吞吐量被严重拉低，请求积压，导致用户体验卡顿。

DSpark 通过动态调度，精准剔除低效验证，显著缓解了这一瓶颈。

实测数据对比

• 低延迟场景（V4-Flash，要求每秒 120 字）：
• 旧系统（MTP-1）：并发稍高即崩溃。
• DSpark：保持 6 倍以上吞吐量。
• 中等负载场景（要求每秒 80 字）：
• 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：无论花费数亿还是数十亿，花完即止。
• 推理：模型上线后，每用户每次提问均需 GPU 运算，7×24 小时不停。用户越多，成本越高。

因此，谁能降低推理成本，谁就能掌握盈利主动权。模型越强，若推理成本失控，厂商反而死得越快。

零成本硬件升级

在完全不改变硬件的前提下，DSpark 使每个用户的生成速度提升 60% 至 85%。

应对流量尖峰

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，或因无法扩容而崩溃。
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，从而在不增加 GPU 硬件的情况下扛住流量高峰。

质量是否下降？答案是：零损失

投机解码的数学性质决定了其拒绝采样机制能严格保证：大模型最终输出的 Token 概率分布，与逐字生成的分布完全一致。

论文原文引用：
"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。）

• 离线测试：在数学推理、代码生成、日常对话三大领域，DSpark 与原模型无统计显著差异。
• 线上反馈：部署后未收到回答质量下降的用户投诉。
• 负载影响：草稿模型体积极小，仅占总计算量的不到 10%，其带来的额外负载在 51% 的性能提升面前可忽略不计。

降价空间与开源红利

DeepSeek 推理成本降低约 40%，为其提供了更大的降价空间。
* API 定价：DeepSeek 本就拥有行业最低定价，成本进一步降低后，Token 价格可能继续下调，甚至提高免费用户额度。
* 开源 DeepSpec：DeepSeek 不仅发布模型权重，还开源了 DeepSpec训练框架。这是一套用于训练投机解码草稿模型的统一工具箱，用户可利用其为自己的 Qwen3、Gemma 等模型训练草稿模型。

此举将全行业的推理成本基准线进一步拉低。

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数万元一台的高精度工业相机。梁文锋反其道而行之，使用仅几百元的民用球机。

他的核心论点：硬件差距可通过算法弥补。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。

为什么 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以利润供养，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：今年启动的首轮超 500 亿元融资中，梁文锋个人出资 200 亿（占 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。

独特的决策闭环

在 DeepSeek，梁文锋身兼投资者、管理者、研究者三重身份。

• 省下的每一分钱，都直接装入梁文锋的个人口袋。
• 面对“购买 100 张 GPU”还是“进行工程优化”的选择时，多数人会选前者，因为花的是投资人的钱，且有 OpenAI 等巨头开路。
• 梁文锋选后者，因为他比任何人都清楚每张卡需运行多少 Token 才能回本。

这种身份叠加形成了一个罕见的决策闭环：
1. 研究者提出“可以省”；
2. 管理者判断“应该省”；
3. 投资者确定“自己买单也愿意省”。

无层级汇报，无跨部门扯皮。

DSpark，正是这条极致效率决策链的最新产物。