A DeepSeek, conhecida por seus modelos de código aberto que competem de frente com os gigantes americanos, acaba de liberar mais uma peça importante do seu quebra-cabeça técnico. A empresa lançou o DSpark, um framework de decodificação especulativa que promete acelerar a geração de respostas dos seus modelos de IA em até 85%, sem perder qualidade e sem exigir hardware novo.
O que é o DSpark
DSpark é um framework de decodificação especulativa, uma técnica que usa um modelo “rascunho” leve para propor tokens candidatos, enquanto o modelo grande verifica vários de uma vez só. Em vez de gerar texto palavra por palavra (como a maioria dos LLMs faz), o DSpark permite que o sistema produza múltiplos tokens por passo, desde que o rascunho acerte.
O resultado é uma aceleração significativa sem alterar o modelo original. A DeepSeek foi além e liberou tudo como código aberto sob licença MIT: o paper técnico, os checkpoints dos modelos é o DeepSpec, uma base de código completa para treinar e avaliar sistemas de decodificação especulativa.
Números de verdade
Diferente de muitos anúncios de IA que entregam benchmarks de laboratório, a DeepSeek apresentou resultados de produção reais. No DeepSeek-V4-Flash (284 bilhões de parâmetros, 13 bilhões ativos), a velocidade de geração por usuário subiu de 60% a 85% em comparação com a linha de base anterior, chamada MTP-1. No V4-Pro (1,6 trilhão de parâmetros, 49 bilhões ativos), o ganho foi de 57% a 78%.
Em termos de throughput agregado, os números são ainda mais impressionantes: o DSpark entregou 51% mais capacidade no V4-Flash com meta de 80 tokens por segundo por usuário, e 52% no V4-Pro com meta de 35 tokens por segundo. Quando a exigência de velocidade apertou (120 tokens/s no Flash), o ganho de throughput chegou a 661%, porque o sistema antigo simplesmente não conseguia manter o nível de serviço.
Como funciona
A inovação do DSpark está em como ele combina duas abordagens. Primeiro, usa um backbone paralelo pesado (baseado no DFlash) para produzir logits base para cada posição. Depois, uma cabeça sequencial leve, um “cabeça Markov” que olha apenas o token imediatamente anterior, adiciona um viés dependente do prefixo antes de amostrar cada token.
Isso resolve um problema clássico dá decodificação especulativa: modelos puramente paralelos como o DFlash têm boa acurácia no primeiro token, mas a aceitação cai rapidamente ao longo do bloco. Modelos autoregressivos como o Eagle3 mantêm boa aceitação, mas o custo de geração cresce com o tamanho do bloco. O DSpark pega o melhor dos dois mundos.
Além disso, o framework inclui um agendador consciente de carga que ajusta dinamicamente quantos tokens verificar por requisição. Quando as GPUs estão ociosas, verifica mais tokens. Quando estão ocupadas, verifica menos. Isso evita desperdício de processamento em tokens que seriam rejeitados.
Impacto estratégico
O lançamento do DSpark vai além dá otimização técnica. Para a China, que enfrenta restrições de exportação dos EUA para chips avançados, extrair mais desempenho de hardware limitado é uma vantagem estratégica. Inferência mais rápida significa menos chips necessários por requisição, e, num cenário de oferta restrita, isso faz diferença.
Para o ecossistema open source, o DSpark é mais um passo na direção de democratizar a infraestrutura de IA. Até pouco tempo atrás, técnicas de decodificação especulativa eram domínio de laboratórios fechados. Agora qualquer equipe pode pegar o DeepSpec, treinar seu próprio módulo de rascunho e acelerar a inferência dos seus modelos, sem pagar licença e sem depender de API de terceiros.
A DeepSeek também testou o DSpark em modelos de outras famílias, como Qwen (Alibaba) e Gemma (Google DeepMind), e os resultados foram consistentes. Isso sugere que a abordagem é genérica e pode ser aplicada a qualquer modelo de peso aberto.
Fontes: VentureBeat, Carl Franzen, The Decoder, Matthias Bastian, DeepSpec no GitHub, DeepSeek-V4-Pro-DSpark no Hugging Face
