投机解码（Speculative Decoding）过去一年在推理加速圈里热度很高，但大部分讨论集中在推断时怎么用——选个草稿模型，跑几步验证，期待加速比。
DeepSeek 这次开源的 DeepSpec 把问题往回推了一步：与其依赖现成的草稿模型，不如把训练和评估也纳入优化链路。
DSpark 论文是搭在 DeepSpec 上的第一个成果，展示了一套 block diffusion 风格的投机解码方案。跟传统的 draft-verify 模式不同，DSpark 批量生成连续 token block，再一次性验证——显著减小了单步的交互频率。
核心变化是：模型不再是「用户训练一个 target，再从外面找一个 draft 来接上」，而是可以在同一个框架里训练 draft 和 target 的配合策略。
对部署者来说，这意味着什么：DeepSpec 提供了从数据生成、模型训练、评估到部署推理的完整工具链，全部开源。之前做推理加速要自己拼装——选 draft 模型、调验证策略、写评估脚本。现在 DeepSpec 把整个流程串起来了，包括 benchmark 基准线（Draft v.s. Target v.s. 联合优化）。
实测数据方面，DSpark 方案在若干模型族上展示了显著加速（论文里有具体数字，vLLM、SGLang 等主流框架都能对接）。
项目地址：github.com/deepseek-ai/DeepSpec
HN 讨论也很热闹，社区正在验证不同模型族上的加速表现。有团队已经跑出了比论文宣称更好的数字，值得关注后续复现情况。