أصدرت DeepSeek DSpark، وهو إطار عمل فك تشفير مفتوح المصدر تقول الشركة إنه يعمل على تسريع استنتاج نموذج اللغة الكبير (LLM) بنسبة تصل إلى 85٪ في ظل حركة المرور المباشرة، دون أي خسارة في جودة المخرجات. تم وصف النظام في ورقة جديدة من DeepSeek-AI وجامعة بكين، وهو يعمل بالفعل داخل البنية التحتية لخدمة DeepSeek-V4 التي تتعامل مع طلبات المستخدم الحقيقية.

يعالج العمل واحدة من أكثر المشاكل صعوبة في إنتاج الذكاء الاصطناعي: الاستدلال بطيء لأن النماذج تولد نصًا مميزًا واحدًا في كل مرة، ويتطلب كل منها مرورًا كاملاً عبر الشبكة. يعد فك التشفير التخميني علاجًا شائعًا حيث يقترح نموذج "مسودة" صغير وسريع كتلة من الرموز المميزة التي يتحقق منها النموذج بالحجم الكامل بعد ذلك في مسار واحد، ويقبل البادئة الصحيحة الأطول. ونظرًا لأن التحقق متوازي ودقيق رياضيًا، فإنه يعمل على تسريع الأمور مع الحفاظ على توزيع النموذج الأصلي. تم إصدار DSpark جنبًا إلى جنب مع مستودع تدريب DeepSpec على GitHub، وسرعان ما أصبح واحدًا من أكثر قصص هندسة الذكاء الاصطناعي مناقشة على Hacker News. لمزيد من السياق حول هذه القصة، راجع تغطية صناعة الذكاء الاصطناعي.

لماذا يصل فك التشفير الحالي إلى طريق مسدود

انتقلت أبحاث فك التشفير الحديثة نحو "المحررين المتوازيين" الذين يقومون بإنشاء كتلة كاملة من الرموز المميزة المرشحة في تمريرة أمامية واحدة، مما يجعل زمن انتقال المسودة مستقلاً تقريبًا عن حجم الكتلة. تحدد ورقة DSpark اثنين من الاختناقات التي منعت هذه الأساليب من الوفاء بوعودها على نطاق واسع.

الأول هو مشكلة الجودة. نظرًا لأن القائمين على الصياغة المتوازيين يتنبأون بكل موقف بشكل مستقل، فلا يمكنهم وضع نموذج لكيفية اعتماد الرموز المميزة داخل الكتلة على بعضها البعض. أظهر الباحثون أن هذا يؤدي إلى "تصادمات متعددة الوسائط" واضمحلال القبول السريع في المواضع اللاحقة في مسودة الكتلة، وهي ظاهرة يسمونها اضمحلال اللاحقة. كلما زاد طول الكتلة الموازية، زاد احتمال أن يكون ذيلها خاطئًا.

والثاني هو مشكلة على مستوى النظام. في حين أن إنشاء كتل مسودة طويلة أمر رخيص، فإن التحقق بشكل أعمى من كل رمز مميز مقترح يهدر سعة الدفعة النادرة على الرموز المميزة التي من المحتمل أن يتم رفضها. في ظل التزامن العالي لنظام التقديم الحقيقي، يختلف طول التحقق المثالي على محورين: الطلبات المنظمة مثل التعليمات البرمجية تحافظ على معدلات قبول أعلى من الدردشة المفتوحة، والتحقق من الرموز المميزة الإضافية يكون مجانيًا تقريبًا في ظل التحميل الخفيف ولكنه مكلف عندما يكون النظام مشبعًا.

نموذج مسودة شبه انحدار ذاتي

لإصلاح اضمحلال اللاحقة، يتبنى DSpark ما يسميه المؤلفون بنية شبه الانحدار الذاتي. إنه يجمع بين العمود الفقري المتوازي الثقيل حسابيًا، والذي يمكنه اقتراح العديد من الرموز المميزة في وقت واحد، مع وحدة تسلسلية خفيفة الوزن تقدم نمذجة التبعية داخل الكتلة. يهدف التصميم إلى الجمع بين السعة العالية للنماذج المتوازية في المواضع المبكرة مع تماسك اللاحقة لمصممي الانحدار الذاتي التقليديين، الذين يولدون الرموز المميزة واحدة تلو الأخرى ويحترمون التبعيات بشكل طبيعي.

فيما يتعلق بالمعايير الخاضعة للرقابة دون الاتصال بالإنترنت والتي تشمل التفكير الرياضي وتوليد التعليمات البرمجية والدردشة اليومية، أفاد الفريق أن DSpark يعمل بشكل كبير على تحسين الطول المقبول لكل دورة تحقق عبر خطوط أساسية قوية. على وجه التحديد، تنص الورقة على أن DSpark يعمل على تحسين الطول المقبول على أداة الانحدار الذاتي Eagle3 بنسبة 30.9% و26.7% و30.0% عبر ثلاثة إعدادات، وعلى أداة صياغة DFlash الموازية بنسبة 16.3% و18.4% و18.3%.

التحقق المجدول بثقة مع مراعاة التحميل

الجزء الأكثر حداثة في DSpark هو أسلوبه في التحقق. بدلاً من التحقق من عدد ثابت من الرموز المميزة لكل طلب، يقوم DSpark بصياغة اختيار طول التحقق كمشكلة عالمية لتعظيم الإنتاجية. فهو يجمع بين التقديرات المعايرة للمدة التي من المحتمل أن تستمر فيها بادئة المسودة، وهو ما تسميه الورقة احتمالات البقاء، مع برنامج جدولة مدرك للأجهزة يقرأ حمل المحرك في الوقت الفعلي.

والنتيجة هي التحقق المجدول بثقة: يقوم النظام ديناميكيًا بتخصيص عدد الرموز المميزة التي يتحقق منها لكل طلب بناءً على محتوى الطلب والحالة الحالية لمحرك التقديم. في ظل الأحمال الخفيفة، يمكنها تحمل تكاليف التحقق بسخاء، بينما في ظل التزامن الثقيل، فإنها توجه ميزانية التحقق الخاصة بالنموذج المستهدف فقط نحو الرموز المميزة ذات أعلى عائد متوقع، مع تجنب انهيار الإنتاجية الذي يأتي من إنفاق سعة الدُفعة على الرموز المميزة ذات الاحتمالية المنخفضة.

النتائج ضمن حركة مرور المستخدم المباشرة

الأرقام الأكثر أهمية تأتي من الإنتاج. قام الفريق بنشر DSpark داخل نظام الخدمة DeepSeek-V4 الذي يخدم حركة مرور المستخدمين المباشرة ومقارنته بخط الأساس للإنتاج السابق للشركة، وهي طريقة تنبؤ متعددة الرموز تُعرف باسم MTP-1.

وفقًا للورقة البحثية، يعمل DSpark باستمرار على تسريع سرعات التوليد لكل مستخدم بنسبة 60% إلى 85% لـ DeepSeek-V4-Flash وبنسبة 57% إلى 78% لـ DeepSeek-V4-Pro بإنتاجية إجمالية متطابقة. بموجب اتفاقيات مستوى الخدمة الصارمة حيث تتدهور قدرة خط الأساس بشدة، أي ما يعادل 120 رمزًا مميزًا في الثانية لـ Flash و50 رمزًا في الثانية لـ Pro، يخفف DSpark من عبء التحقق للحفاظ على إنتاجية قوية. من خلال التغلب على هاوية الأداء، يرى المؤلفون أنه يفتح مستويات تفاعلية صارمة لم يكن من الممكن تحقيقها في السابق، مما يؤدي بشكل فعال إلى تحويل حدود باريتو في خدمة LLM إلى الخارج.

هذا التمييز يهم المشغلين. إن السرعة الأسرع لكل مستخدم بنفس الإنتاجية الإجمالية تعني مساعدين أكثر استجابة وسير عمل وكيل دون شراء المزيد من الأجهزة، في حين أن البقاء على قيد الحياة في اتفاقيات مستوى الخدمة الصارمة تحت الحمل هو ما يفصل بين العرض التجريبي البحثي والنظام الذي يمكن أن يصمد أثناء ارتفاع حركة المرور.

مفتوح المصدر للمجتمع

تقوم DeepSeek بإصدار نقاط تفتيش DSpark المدربة لكل من نماذج المعاينة DeepSeek-V4-Flash و DeepSeek-V4-Pro. يوصف مستودع DeepSpec المصاحب، والذي تم نشره بموجب ترخيص معهد ماساتشوستس للتكنولوجيا (MIT)، بأنه قاعدة تدريب كاملة تعتمد على الخوارزمية وقاعدة تعليمات التقييم لفك التشفير التخميني. وهو يشتمل على أدوات مساعدة لإعداد البيانات، ومسودات تطبيقات النماذج، ونصوص التدريب، وأدوات التقييم، ويأتي مزودًا بثلاثة خوارزميات نموذجية: DSpark، وDFlash، وEagle3.

يعمل هذا الإصدار على تقليل العوائق أمام المختبرات وفرق البنية التحتية الأخرى لتدريب نماذج النماذج الخاصة بها وقياسها مقابل خط أنابيب موحد. تغطي مجموعة تقييم DeepSpec المعايير المحددة بما في ذلك GSM8K، وMATH500، وAIME 2025، وHumanEval، وMBPP، وLiveCodeBench، وMT-Bench، وAlpacaEval، وArena-Hard-v2.

لماذا يهم

أصبحت تكلفة الاستدلال وزمن الوصول الآن من بين القيود المحددة لصناعة الذكاء الاصطناعي، حيث تشكل كل شيء بدءًا من مدى قوة نشر الشركات لوكلاء الذكاء الاصطناعي إلى ما إذا كان بإمكان مقدمي الخدمات الصغار التنافس مع المتوسعين الفائقين في اقتصاديات الوحدة. إن مساهمة DSpark ليست مجرد خوارزمية جديدة واحدة بقدر ما هي عرض توضيحي بأن التصميم المشترك بعناية لمسودة النموذج وجدولة التحقق، والتعامل مع طول التحقق كدالة لحالة النظام الحية، يمكن أن يحرك الإبرة بشكل مفيد في عمليات النشر الحقيقية.

بالنسبة إلى DeepSeek، التي بنت سمعتها على أنظمة فعالة ومُصدرة بشكل مفتوح، فإن DSpark هي نقطة بيانات أخرى في الحجة التي ظل المختبر يقدمها منذ أكثر من عام: أنه يمكن تحقيق أداء الخدمة من الدرجة الأولى من خلال هندسة أكثر ذكاءً وليس فقط من خلال الحوسبة الأولية. وحقيقة أن المكاسب تم قياسها في ظل حركة المرور المباشرة، وليس في معيار اصطناعي، تجعل النتيجة أسهل على المشغلين الآخرين أن يأخذوها على محمل الجد بينما يستوعب مجتمع المصادر المفتوحة البحث ويبدأ في إعادة إنتاج الأرقام.

---

ابق على اطلاع بأخبار الذكاء الاصطناعي

آخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →