DeepSeek Rilis DSpark: V4 Makin Cepat 85 Persen, Paper Perdana Setelah Pendanaan $7 Miliar
DeepSeek baru saja umumkan DSpark, framework speculative decoding yang bikin kecepatan generasi DeepSeek-V4 meningkat drastis. Ini paper pertama dari Liang Wenfeng setelah perusahaannya menutup pendanaan besar-besaran $7 miliar pada Juni 2026. Singkatnya, ini bukan model baru — ini cara lebih pintar menjalankan model yang sudah ada.
Apa Itu Speculative Decoding?
Sebelum masuk DSpark, perlu paham dulu kenapa teknik ini diperlukan. Pada dasarnya, model bahasa besar generatif bekerja secara berurutan — setiap token dihasilkan satu per satu. Kalau generasi 1.000 token, ya harus nunggu 1.000 langkah. Lamanya.
Speculative decoding bekerja dengan prinsip cek dan seimbang. Sebuah draft model yang ringan — jauh lebih kecil dari model target — menghasilkan beberapa token sekaligus secara paralel. Lalu model utama memverifikasi semua token itu dalam satu langkah komputasi. Kalau draft benar, waktu hemat. Kalau salah, model utama ulang dari titik yang benar.
Masalahnya, pendekatan paralel punya cacat: token di posisi akhir rantai spekulatif sering ditolak karena tidak ada ketergantungan antar-token yang diperhitungkan. Makin panjang rantainya, makin banyak yang gagal diverifikasi. Disitulah DSpark datang mengatasi.
Dua Inovasi Inti DSpark
DSpark punya dua komponen utama yang membedakannya dari metode speculative decoding lain seperti Eagle3 atau DFlash.
Semi-autoregressive architecture. Alih-alih sepenuhnya paralel, DSpark menggabungkan backbone jaringan paralel dengan modul sekuensial ringan yang membangun ketergantungan intra-block. Hasilnya, token di akhir urutan spekulatif tidak lagi mengalami degradasi tingkat penerimaan secara drastis.
Confidence-scheduled verification. Mekanisme ini menyesuaikan jumlah verifikasi secara dinamis berdasarkan dua faktor: probabilitas penerimaan awalan yang diestimasi dan karakteristik throughput mesin. Kalau GPU sedang idle, verifikasi lebih banyak. Kalau sibuk, lebih sedikit — sehingga tidak ada komputasi yang terbuang sia-sia.
Angka-Angka yang Dicatat DeepSeek
Di benchmark offline lintas domain, DSpark mencatat panjang urutan yang diterima efektif meningkat 26–31% dibandingkan Eagle3 dan 16–18% dibandingkan DFlash. Ini bukan peningkatan marginal — ini lompatan substansial.
Lebih impresif lagi, saat diterapkan di sistem produksi DeepSeek-V4 yang menangani lalu lintas pengguna nyata, kecepatan generasi per pengguna meningkat 60–85% dibandingkan baseline MTP-1 yang sudah mature. Throughput keseluruhan tetap terjaga. Artinya, pengguna individual merasakan respons lebih cepat tanpa mengorbankan kapasitas sistem secara keseluruhan.
Untuk konteks: MTP-1 adalah metode speculative decoding internal DeepSeek yang sudah dioptimalkan selama ini. DSpark mengalahkannya dengan selisih yang sangat besar.
DeepSpec: Toolkit Open Source untuk Speculative Decoding
Bersamaan dengan paper DSpark, DeepSeek juga open-source DeepSpec — toolkit lengkap untuk melatih dan mengevaluasi draft model speculative decoding. Lisensinya MIT, artinya siapa pun bisa pakai, modifikasi, dan integrasikan ke proyek mereka tanpa hambatan.
DeepSpec mendukung tiga draft model: DSpark, DFlash, dan Eagle3. Kompatibel dengan model-model seperti Qwen3 dan Gemma. Dalam paketnya ada data preparation tools, implementasi draft model, kode pelatihan, dan skrip evaluasi. Semua terintegrasi dalam satu codebase terstruktur.
Model Checkpoint yang Dirilis
DeepSeek-V4-Pro-DSpark dan DeepSeek-V4-Flash-DSpark adalah checkpoint yang sama dengan model V4 biasa, hanya dengan modul speculative decoding tambahan yang sudah terpasang. Bukan model baru — tapi kalau dipakai dengan benar, bisa menjalankan inferensi nyaris dua kali lebih cepat dari sebelumnya.
Keduanya sudah tersedia di HuggingFace. Bagi yang sudah punya akses ke DeepSeek-V4, menambahkan DSpark relatif straightforward.
Mengapa Ini Penting
Pendanaan $7 miliar yang ditutup DeepSeek Juni lalu sempat jadi berita besar. Banyak yang bertanya-tanya, apa langkah besar pertama setelah dapat suntikan modal sebesar itu? Jawabannya bukan model baru yang lebih besar — tapi cara lebih cerdas menjalankan model yang sudah ada.
Implikasinya luas. Kalau teknik speculative decoding bisa diadopsi secara luas, biaya inferensi sistem AI bisa turun signifikan tanpa harus kompromi pada kualitas output. Ini relevan untuk provider cloud, perusahaan yang jalanin AI secara on-premise, maupun developer individu.
Pergerakan DeepSeek ke arah inference optimization juga sinyal bahwa perang AI bukan cuma soal siapa punya model terbesar — tapi siapa yang bisa menyajikan hasil secara paling efisien dan cepat.
Sumber
- Pandaily — “DeepSeek DSpark Boosts Generation Speed by 85% in First Post-Funding Paper” (28 Juni 2026)
- MarkTechPost — “DeepSeek Releases DSpark, a Speculative Decoding Framework That Accelerates DeepSeek-V4 Per-User Generation 60-85% Over MTP-1” (27 Juni 2026)
- PANews — “Behind DeepSeek’s 85% Speed Increase” (28 Juni 2026)
- GitHub — deepseek-ai/DeepSpec (DeepSeek)
- CryptoBriefing — “DeepSeek Unveils DSpark for 60% to 85% Faster Inference” (27 Juni 2026)
- HTX — “DeepSeek V4 Updates with DSpark” (27 Juni 2026)
