KeyFrame內部研究專用

DeepSeek让LLM推理吞吐提升51%以上!拆解DSpark投机解码技术

Why QQ13 min中文
觀看原始影片

三句話摘要

DeepSeek 開源 DeepSpark 投機解碼技術,透過半字回歸生成與動態調度機制,在不改變模型結構前提下將大模型推理吞吐量提升 50% 以上。 DeepSpark 揭示了 AI 系統設計的新方向——從盲目堆砌算力走向智能調度與概率預測,一個精妙的調度器可能比多買幾塊 GPU 效果還好。 雙層架構突破傳統困局:DeepSpark 融合並行小弟(Deflash)的速度與自回歸小弟的準確率。通過並行主幹快速生成基礎 Logits,再用低秩矩陣分解的轉移偏差逐詞校準,在保持生成速度的同時大幅提升草稿準確度。

重點整理

  1. 雙層架構突破傳統困局:DeepSpark 融合並行小弟(Deflash)的速度與自回歸小弟的準確率。通過並行主幹快速生成基礎 Logits,再用低秩矩陣分解的轉移偏差逐詞校準,在保持生成速度的同時大幅提升草稿準確度。

  2. 概率預測驅動的智能調度:系統用線性投影加 Sigmoid 估計每個詞被接受的概率,並通過順序溫度縮放校準預測,使質心度投預測能給出可靠估計。硬件感知的調度器根據系統容量曲線動態決定驗證長度,實現真正的「用在刀刃上」。

  3. 生產環境的工程智慧:三大核心挑戰——硬件容量曲線離散化、變長驗證與快取兼容性、訓練效率——都有對應方案。兩步延遲調度避免管道停頓,展屏處理 Token 實現無縫動態路由,隱藏狀態通信節省訓練開銷。

  4. 通用框架超越特定優化:DeepSpark 不改變原模型檢查點,只需推理引擎配合,已在 DeepSeek V4 Flash/Pro 與 Gemma4 驗證,具有跨模型家族的遷移潛力。

實用技巧與重點

  • 核心指標
  • 草稿準確度:AcceptedLens 提升至 4.73 詞(vs Deflash 4.06,提升 16.3%;vs Ego3,提升 30.9%)
  • 推理吞吐:V4 Flash 中等交互性 SLA 下提升 51%,V4 Pro 提升 52%
  • 單用戶延遲:匹配系統容量下生成速度提升 60-85%(Flash)、57-78%(Pro)
  • 技術元件
  • 半字回歸:並行主幹(Deflash)+ 輕量級順序模組(低秩矩陣分解,R=256/512)
  • 質心度投:線性投影 + Sigmoid + 順序溫度縮放
  • 硬件感知調度器:計算前坠生存概率、動態容量預估、吞吐最優化決策
  • 訓練配置
  • 三項損失函數:交叉熵損失(草稿預測)、分佈匹配損失(最小化總變差距離)、質心度損失(驗證預測)
  • 損失加權:指數位置權重,強調序列早期位置
  • 動態調度範例
  • V4 Flash:並發 <200 分配 4-6 詞驗證預算;並發增加自動縮小預算
  • V4 Pro:並發 <150 類似預算分配
  • 模型支援
  • DeepSeek V4 Flash 與 Pro 的 DeepSpark 檢查點已在 HuggingFace 發布
  • DeepSpark/Deflash/Ego3 的訓練評估框架開源在 GitHub

結論

DeepSpark 揭示了 AI 系統設計的新方向——從盲目堆砌算力走向智能調度與概率預測,一個精妙的調度器可能比多買幾塊 GPU 效果還好。

完整解析

大模型推理性能的核心瓶頸一直是自回歸生成的串行特性。傳統方式下,系統一次只能生成一個詞,每生成一個詞都需要一次完整的前向傳播,導致 GPU 大部分時間在等待內存搬運數據而非執行計算。這個問題的根本原因是自回歸的順序依賴性——後一個詞的生成必須等待前一個詞確定後才能進行。

投機解碼技術試圖打破這一瓶頸,其核心思路是使用一個小型快速的「草稿模型」先大膽地預測多個詞,再由大型目標模型一次性驗證這些預測。這樣就把串行計算轉變為並行驗證。然而傳統投機解碼面臨一個兩難困境:自回歸小弟模型預測準確但生成速度慢(因為每個詞都需要獨立計算),而並行小弟(如 Deflash)雖然速度快得多但因為詞與詞間缺乏上下文聯繫導致預測準確度大幅下降。

DeepSpark 的創新在於引入「半字回歸生成」機制,巧妙地融合兩者優勢。系統採用一個並行主幹網路(基於 Deflash 架構)快速生成所有基礎 Logits,然後在其後接入一個輕量級的順序模組。這個順序模組的關鍵是一個低秩矩陣分解的轉移偏差——它基於前一個詞計算一個修正項,為當前詞的預測注入上下文依賴性。透過將 V×V 矩陣(V 為詞表大小,通常 10 萬維量級)分解為兩個小矩陣(R 維為 256 或 512),計算複雜度從 O(V²) 大幅降低到 O(R×V)。實驗結果顯示,在困 3 模型上,平均可接受詞數從 4.06 提升至 4.73,相比 Deflash 提升 16.3%,相比另一基準 Ego3 提升 30.9%。

然而即便草稿質量提升,系統仍需應對另一核心問題:在高並發場景下,驗證那些注定會被拒絕的低質預測會白白浪費計算資源。DeepSpark 的第二個創新是「質心度調度驗證」。系統透過一個輕量級的線性投影模組,基於並行主幹的隱藏狀態和前一詞的信息,預測當前詞被目標模型接受的概率。由於這些概率估計往往過於樂觀,系統引入順序溫度縮放技術,在生成序列的不同位置動態調整溫度參數,使預測概率與實際接受率相匹配。進一步地,硬件感知的調度器計算所有候選詞的「前坠生存概率」(前 K 個詞都被接受的累積概率),按概率從高到低逐詞加入驗證堆列。每次添加時系統會重新估計預期吞吐量(基於預先測量的容量曲線),當吞吐開始下降時停止,找到最優的驗證長度。這種動態調度在低並發時可分配 4-6 詞預算,並發增加時自動縮小,實現真正的負載自適應。

生產環境中的實現則面臨諸多工程挑戰。實際硬件容量曲線並非理論上的光滑曲線,而是因快取行為和記憶體訪問模式產生的離散「鋸齒狀」,充滿效能懸崖。DeepSpark 採用兩步延遲調度方案,用前兩步的質心度預測估計當前步容量,避免 GPU 管道停頓。變長驗證會導致 GPU 核心計算利用率下降,因此系統對所有 Token 進行展屏處理,透過標記張量傳遞序列依賴,只在 Index Attention 和 Compress Kernels 層級修改以支持變長路由。訓練效率方面,直接計算所有位置的目標模型分佈會產生巨大開銷,DeepSpark 改為傳輸低維隱藏狀態而非完整 Logits,並採用毛點接定的序列打包策略。

實測結果驚人:在 V4 Flash 上,中等交互性延遲約束下吞吐量提升 51%,嚴格高互動 SLA 下名義倍數達 661%(但主要反映交互邊界外推而非常規加速)。匹配系統容量下單用戶生成速度提升 60-85%。V4 Pro 結果類似,中等 SLA 下吞吐提升 52%,嚴格 SLA 下名義倍數 406%,單用戶速度提升 57-78%。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。