Im Quellenvergleich
Worin die Quellen übereinstimmen
DeepSeek hat das Framework DSpark vorgestellt, das die Antwortgeschwindigkeit von KI-Modellen durch spekulative Dekodierung beschleunigt. Ein kleines Modell schlägt Kandidaten vor, die ein großes Modell gebündelt prüft. Das Framework nutzt eine semi-autoregressive Methode zur Ausgabe von Wortgruppen und ein konfidenzbasiertes Planungssystem, das den Prüfaufwand dynamisch anpasst. Die Quellen berichten weitgehend übereinstimmend. DSpark ist unter der MIT-Lizenz auf GitHub und Hugging Face verfügbar. In Produktionstests steigerte DSpark den Durchsatz von DeepSeek-V4-Flash um 51 Prozent und von DeepSeek-V4-Pro um 52 Prozent. Die Generierungsgeschwindigkeit pro Nutzer stieg um 60 bis 85 Prozent (V4-Flash) beziehungsweise 57 bis 78 Prozent (V4-Pro) im Vergleich zur bisherigen Methode MTP-1. Offline-Tests mit Modellen wie Qwen3 und Gemma4 zeigten eine um bis zu 30 Prozent höhere Akzeptanzrate der vorausgesagten Textteile als frühere Verfahren. Das Framework ist nicht auf DeepSeek-Modelle beschränkt, sondern kann auch auf andere offene Modelle wie Qwen oder Gemma angewendet werden. Das Framework wurde gemeinsam mit der Peking University entwickelt.
Aktualisierungen
06.07.2026
DSpark ist unter der MIT-Lizenz auf GitHub und Hugging Face verfügbar.
In Produktionstests steigerte DSpark den Durchsatz von DeepSeek-V4-Flash um 51 Prozent und von DeepSeek-V4-Pro um 52 Prozent.
Die Generierungsgeschwindigkeit pro Nutzer stieg um 60 bis 85 Prozent (V4-Flash) beziehungsweise 57 bis 78 Prozent (V4-Pro) im Vergleich zur bisherigen Methode MTP-1.
Offline-Tests mit Modellen wie Qwen3 und Gemma4 zeigten eine um bis zu 30 Prozent höhere Akzeptanzrate der vorausgesagten Textteile als frühere Verfahren.
Das Framework ist nicht auf DeepSeek-Modelle beschränkt, sondern kann auch auf andere offene Modelle wie Qwen oder Gemma angewendet werden.
Das Framework wurde gemeinsam mit der Peking University entwickelt.
Worin sie sich unterscheidenStrategische Bedeutung für China
Strategische Bedeutung für China- Die Veröffentlichung ist für China strategisch bedeutsam, da schnellere Inferenz die Chiplast senkt.1
- Das Jevons-Paradoxon könnte dazu führen, dass die freigewordene Rechenleistung für mehr KI-Anfragen genutzt wird und der Gesamtbedarf an Chips gleichbleibt oder steigt.1
- Kurzfristig sind die Effizienzgewinne für China und die EU vorteilhaft, da sie mit weniger High-End-Chips mehr KI-Leistung erzielen könnten.1
- Für die USA könnte dies bedeuten, dass der Chip-Hebel als geopolitisches Druckmittel an Wirkung verliert.1
Früher genannt, aktuell nicht mehr getragen (2)
Leistungssteigerung in Produktionstests- In Produktionstests steigerte DSpark den Durchsatz von DeepSeek-V4-Flash um 51 Prozent und von DeepSeek-V4-Pro um 52 Prozent.2
- Die Generierungsgeschwindigkeit pro Nutzer stieg um 60 bis 85 Prozent (V4-Flash) beziehungsweise 57 bis 78 Prozent (V4-Pro) im Vergleich zur bisherigen Methode MTP-1.2
- Die Antwortgeschwindigkeit pro Nutzer steigt um 60 bis 85 Prozent.1
— von den aktuellen Quellen nicht mehr getragen (zuerst 29.06.2026) Kompatibilität mit anderen Modellen- Das Framework ist nicht auf DeepSeek-Modelle beschränkt, sondern kann auch auf andere offene Modelle wie Qwen oder Gemma angewendet werden.2
- DeepSeek testete DSpark auch mit offenen Modellen von Google Deepmind und Alibaba.1
— von den aktuellen Quellen nicht mehr getragen (zuerst 29.06.2026)