DSpark DeepSeek-V4: Bukan Model Baru, Ini Bedanya

DeepSeek merilis DSpark pada 27 Juni 2026. Ini bukan model bahasa baru, melainkan modul open-source untuk mempercepat proses serving DeepSeek-V4-Flash dan DeepSeek-V4-Pro.

DSpark memasangkan backbone draft paralel dengan head sekuensial kecil untuk memangkas penurunan akurasi di bagian akhir urutan token. Hasilnya, kecepatan generate per pengguna naik 60-85% pada V4-Flash dan 57-78% pada V4-Pro dibanding baseline MTP-1 sebelumnya, tanpa mengubah bobot model atau kualitas jawaban.

Checkpoint DeepSeek-V4-Pro-DSpark bukan model baru. Ini checkpoint yang sama dengan modul speculative decoding tambahan, sesuai keterangan resmi di halaman Hugging Face DeepSeek-V4.

Angka-angka kecepatan di atas masih klaim dari DeepSeek sendiri, belum ada verifikasi independen per akhir Juni 2026.

Baca Juga: Apa itu Transformers Model? Arsitektur, Cara Kerja & Evolusi AI

Mengenal DeepSeek-V4 Lebih Dulu

DeepSeek-V4 hadir dalam dua varian: DeepSeek-V4-Pro dengan 1,6 triliun parameter total (49 miliar aktif), dan DeepSeek-V4-Flash dengan 284 miliar parameter total (13 miliar aktif). Keduanya mendukung konteks hingga 1 juta token.

Tiga upgrade arsitektur jadi fondasi seri ini. Pertama, hybrid attention yang menggabungkan Compressed Sparse Attention (CSA) dan Heavily Compressed Attention (HCA), membuat DeepSeek-V4-Pro hanya butuh 27% FLOPs inferensi single-token dan 10% KV cache dibanding DeepSeek-V3.2 pada konteks 1 juta token. Kedua, Manifold-Constrained Hyper-Connections (mHC) untuk memperkuat residual connection dan menjaga kestabilan sinyal antar-layer. Ketiga, penggunaan Muon optimizer untuk mempercepat konvergensi saat training.

Kedua model dilatih dengan lebih dari 32 triliun token, lalu melalui post-training dua tahap: pengembangan expert per domain lewat SFT dan RL dengan GRPO, kemudian konsolidasi lewat on-policy distillation ke satu model tunggal.

DSpark bekerja di atas fondasi ini, bukan menggantikannya.

Apa Itu Speculative Decoding?

Model bahasa biasanya generate teks satu token per satu langkah forward pass, urutan ini yang bikin proses lambat karena setiap token baru harus menunggu token sebelumnya selesai diproses.

Speculative decoding memecah kerja itu jadi dua peran. Model kecil (draft model) menebak beberapa token ke depan sekaligus. Model besar (target model) lalu memverifikasi tebakan itu dalam satu forward pass, bukan memprosesnya satu-satu. Rejection sampling menerima prefix valid terpanjang dari tebakan itu, ditambah satu token bonus di akhir.

Aturan verifikasi ini menjaga distribusi output tetap identik dengan model target aslinya. Artinya, output yang dihasilkan sama persis dengan kalau model jalan tanpa draft model sama sekali. Tidak ada kompromi kualitas, murni efisiensi serving.

Kecepatan speculative decoding ditentukan tiga faktor: seberapa cepat draft model menebak, seberapa akurat tebakan itu (diukur lewat accepted length, rata-rata token yang diterima per putaran verifikasi), dan seberapa efisien proses verifikasi oleh model target.

DeepSeek-V4 sendiri sebelumnya sudah pakai skema draft bernama MTP-1 (Multi-Token Prediction), model dilatih dengan head tambahan yang memprediksi lebih dari satu token ke depan. DSpark adalah pengganti skema ini dengan pendekatan baru.

Bukan Sekadar Modul Tambahan, Ini Cara DSpark Bekerja 

DSpark bukan model baru. Checkpoint DeepSeek-V4-Pro-DSpark dan DeepSeek-V4-Flash-DSpark memakai bobot yang sama persis dengan versi reguler, ditambah modul draft kecil di atasnya.

Pendekatan draft-nya beda dari dua metode yang sudah ada. Draft sekuensial seperti EAGLE-3 memprediksi tiap token berdasarkan token sebelumnya, akurat tapi lambat karena harus diproses satu-satu. Draft paralel seperti DFlash memprediksi semua posisi sekaligus dari fitur model target, cepat tapi akurasinya menurun di posisi belakang karena tebakan di awal yang salah bikin tebakan berikutnya ikut meleset.

DSpark menggabungkan keduanya jadi dua tahap. Backbone paralel menghasilkan logit dasar untuk semua posisi draft sekaligus, ini bagian cepatnya. Lalu head sekuensial ringan menambahkan koreksi berbasis prefix sebelum sampling tiap token, ini yang menjaga akurasi tetap tinggi di posisi belakang.

Selain itu ada confidence head dan scheduler yang sadar beban server: makin idle GPU-nya, makin banyak token yang diverifikasi sekaligus, makin sibuk, makin sedikit token yang diverifikasi biar tidak buang-buang komputasi percuma.

Hasilnya, dalam benchmark offline, accepted length DSpark naik 26,7-30,9% dibanding EAGLE-3, dan 16,3-18,4% dibanding DFlash. Dalam produksi, kecepatan generate per pengguna naik 60-85% pada V4-Flash dan 57-78% pada V4-Pro dibanding baseline MTP-1.

DeepSeek juga merilis DeepSpec, codebase MIT-licensed untuk melatih dan mengevaluasi draft model semacam ini. DeepSpec tidak terbatas pada DeepSeek-V4, checkpoint yang sudah dirilis juga mencakup pengujian pada model open-weight lain seperti Qwen dan Gemma.

Jika ingin melihat technical reportnya kamu bisa baca disini.

Cara Aktifkan DSpark di vLLM

Mengaktifkan DSpark cukup lewat satu flag tambahan di command vLLM: –speculative-config dengan method: dspark.

Contoh command lengkap untuk serving DeepSeek-V4-Pro-DSpark pada satu node 4×GB300:

vllm serve deepseek-ai/DeepSeek-V4-Pro-DSpark \

  --trust-remote-code --kv-cache-dtype fp8 --block-size 256 \

  --data-parallel-size 4 --enable-expert-parallel \

  --moe-backend deep_gemm_mega_moe \

  --attention-config '{"use_fp4_indexer_cache": true}' \

  --compilation-config '{"cudagraph_mode":"FULL_AND_PIECEWISE","custom_ops":["all"]}' \

  --speculative-config '{"method":"dspark","num_speculative_tokens":7,"draft_sample_method":"greedy"}'

Parameter num_speculative_tokens mengatur berapa token yang ditebak draft model per putaran, konfigurasi resmi yang dipakai DeepSeek adalah DSpark-5 dengan Markov head. Untuk deployment penuh V4, minimal butuh 8 GPU per node.

Kalau kamu pakai DeepSeek lewat API resmi di api.deepseek.com, tidak perlu setup apa pun. DSpark sudah aktif otomatis di infrastruktur produksi DeepSeek sejak 27 Juni 2026, request ke endpoint deepseek-v4-flash dan deepseek-v4-pro langsung dapat percepatan ini tanpa perubahan kode di sisi kamu.

Yang perlu setup manual hanya tim yang self-hosting model sendiri lewat vLLM atau SGLang.

Perbedaan DSpark vs Versi Reguler

Satu poin penting yang perlu diluruskan: DSpark diukur terhadap baseline MTP-1, bukan terhadap decoding autoregresif biasa tanpa speculative decoding sama sekali. Jadi angka 60-85% itu adalah peningkatan dari skema draft sebelumnya, bukan dari titik nol.

Poin lain, angka speedup paling dramatis di skenario peak-load justru muncul ketika baseline MTP-1 sedang mendekati batas SLA-nya dan hanya sanggup menangani batch concurrent kecil. Artinya, angka itu menunjukkan sejauh mana DSpark memperluas batas kapasitas serving yang bisa ditangani, bukan pengali kecepatan yang berlaku sama rata di semua kondisi traffic.

Kapan Pakai DSpark, Kapan Tidak

DSpark relevan buat tim yang self-hosting DeepSeek-V4 lewat vLLM atau SGLang dan mau memangkas biaya GPU-seconds per response. Dua kelompok yang paling diuntungkan:

Tim yang deploy V4 di infrastruktur 8-GPU sendiri, tinggal ganti checkpoint ke versi DSpark dan tambah satu flag konfigurasi, tanpa perlu training ulang. Tim yang membangun coding agent atau workflow terstruktur juga dapat manfaat lebih besar, karena acceptance rate draft model secara alami tinggi pada task yang polanya predictable seperti generate kode.

DSpark juga jadi jalan pintas kalau kamu punya model open-weight lain seperti Qwen atau Gemma dan ingin bikin percepatan serupa. DeepSpec, codebase pelatihannya, sudah mendukung skenario ini tanpa harus menunggu rilis resmi dari provider model tersebut.

Sebaliknya, kalau kamu cuma pakai DeepSeek lewat API resmi di api.deepseek.com, tidak ada yang perlu dilakukan. DSpark sudah berjalan otomatis di baliknya sejak 27 Juni 2026, kamu dapat percepatan tanpa mengubah kode apa pun.

Kalau kamu akses V4 lewat provider pihak ketiga seperti OpenRouter, percepatan ini tidak otomatis berlaku. DeepSeek tidak mengontrol infrastruktur provider lain, jadi tidak ada jaminan formal semua penyedia sudah migrasi ke checkpoint DSpark, meski secara ekonomi mereka juga punya insentif buat pindah karena ini memangkas biaya GPU di sisi mereka.

Sumber dan Cara Akses

Checkpoint dan dokumentasi resmi DSpark tersedia di beberapa tempat. Untuk model, DeepSeek-V4-Pro-DSpark dan DeepSeek-V4-Flash-DSpark bisa diunduh langsung dari Hugging Face. Untuk kode training dan evaluasi draft model, repo DeepSpec ada di GitHub DeepSeek.

Teknis lengkap soal arsitektur DSpark, termasuk mekanisme confidence-scheduled dan semi-autoregressive generation, dijelaskan di technical report resmi berjudul “DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation”, hasil kolaborasi dengan peneliti Peking University.

Semua rilis ini, baik model, DeepSpec, maupun technical report, dilisensikan di bawah MIT License. Artinya bebas dipakai, dimodifikasi, bahkan untuk kebutuhan komersial.

Satu catatan penting soal kredibilitas angka: seluruh klaim kecepatan 60-85% ini masih self-reported dari DeepSeek sendiri. Per akhir Juni 2026, belum ada verifikasi independen dari pihak ketiga terhadap angka accepted length maupun angka produksi tersebut. Reaksi komunitas yang muncul 1-2 hari setelah rilis, misalnya pengujian single-stream di GitHub PR, menunjukkan arah peningkatan yang konsisten meski angka absolutnya belum tentu sama persis dengan klaim resmi.

Penutup

DSpark menandai pergeseran fokus kompetisi AI: dari “seberapa pintar model” ke “seberapa cepat dan murah model itu bisa dilayani”. MLA compression sebelumnya sudah memangkas kebutuhan KV cache lebih dari 90% di seri DeepSeek, dan DSpark melanjutkan tren itu dengan memangkas jumlah decode pass penuh per output.

Buat tim yang serius menjalankan AI di production, DSpark layak dicoba, terutama kalau kamu self-hosting dan biaya GPU-seconds adalah masalah nyata, bukan sekadar angka di slide. Bagi yang cuma konsumsi lewat API resmi, manfaatnya datang otomatis lewat respons yang lebih cepat dan lebih murah, tanpa perlu kamu urus sendiri.

Referensi:

• DeepSeek Releases DSpark, a Speculative Decoding Framework That Accelerates DeepSeek-V4 Per-User Generation 60–85% Over MTP-1 | MarkTechPost
• DeepSeek open sources DSpark, a new framework to speed up LLM inference by up to 85% | VentureBeat
• DeepSeek DSpark: What Semi-Autoregressive Speculative Decoding Actually Changes | Acing AI
• deepseek-ai/DeepSeek-V4-Pro-DSpark | Hugging Face