DeepSeek verschenkt 85 % mehr Leistung
KI-generiert mit ChatGPT
DeepSeek hat mit DSpark ein Verfahren veröffentlicht, das die Textausgabe von DeepSeek-V4 um bis zu 85 % beschleunigen soll, ohne das Modell neu trainieren zu müssen. Den dazugehörigen Code stellt das chinesische Unternehmen unter der freien MIT-Lizenz bereit. DSpark ist kein neues Modell, sondern eine Optimierung, die auf bestehende Modelle aufsetzt.
Wie der Trick funktioniert
DSpark verbessert ein bekanntes Verfahren namens spekulatives Decoding. Normalerweise erzeugt ein großes Sprachmodell Text Wort für Wort. Jedes neue Wort erfordert einen vollständigen Rechendurchlauf, was langsam und kostenintensiv ist.
Beim spekulativen Decoding sagt ein kleines Hilfsmodell mehrere mögliche Wörter oder Wortteile voraus. Das große Modell prüft diese Vorschläge in einem einzigen Durchlauf, statt sie einzeln zu erzeugen. Stimmen die Vorschläge, ist das Ergebnis identisch, nur deutlich schneller. Der Unterschied bei DSpark liegt in der Auswahl. Das Verfahren entscheidet nicht nur, wie viele Wörter vorab geraten werden, sondern welche davon eine Prüfung überhaupt wert sind.
Laut DeepSeek bringt das bei DeepSeek-V4 zwischen 60 und 85 % schnellere Antworten pro Nutzer. Der Durchsatz steigt je nach Last um 51 bis 400 %. Das Verfahren läuft nach Angaben des Unternehmens bereits im Produktivbetrieb. Eine schnelle Ausgabe ist genau dort wichtig, wo Nutzer längere Antworten ohne spürbare Verzögerung erwarten, etwa bei Chatbots, Programmierhilfen sowie Agenten-Workflows.
AnzeigeWas DeepSeek offengelegt hat
Zusätzlich veröffentlichte DeepSeek den vollständigen Trainings- und Bewertungscode unter dem Namen DeepSpec. Das Repository steht auf GitHub unter MIT-Lizenz und enthält neben DSpark zwei weitere Verfahren zum Vergleich. Den passenden Modell-Baustein für DeepSeek-V4-Pro gibt es auf der Plattform Hugging Face. Das zugehörige Forschungspapier verfasste DeepSeek-Gründer Liang Wenfeng zusammen mit Forschern der Universität Peking.
Spannend ist weniger die einzelne Zahl als die Veröffentlichung des gesamten Trainings-Stacks. DeepSeek knüpft damit an seine bisherige Linie an. Das Unternehmen setzt seit Längerem auf offene Gewichte und niedrige Preise. Das zeigt auch unsere Meldung zur dauerhaften Preissenkung bei DeepSeek V4-Pro.
Wo die Grenzen liegen
Eine wichtige Einschränkung relativiert die große Zahl. DSpark ist kein universeller Baustein, den man an jedes beliebige Modell anhängen kann. Das spekulative Decoding setzt ein Hilfsmodell voraus, das zum Zielmodell passt. Zudem muss das Hilfsmodell erst lernen, welche Vorschläge das Zielmodell akzeptiert.
Für ein anderes Modell, erst recht mit eigenen Trainingsdaten, braucht es deshalb ein eigenes Hilfsmodell. DeepSpec liefert dafür die passende Trainingspipeline. Tests mit Qwen3 und Gemma zeigen, dass die Technik grundsätzlich über DeepSeeks eigenes Ökosystem hinaus übertragbar ist, allerdings nicht ohne Anpassung.
Schnellere und günstigere Inferenz senkt die Kosten für den Betrieb großer Modelle. Wie sehr diese Kosten das Geschäft der KI-Labs prägen, zeigt unsere Einordnung zum Milliardenverlust bei OpenAI. Ein frei verfügbares Verfahren, das diese Kosten drückt, ist ein Argument für offene Modelle.
Server, KI-Modelle und Recherche kosten Geld. ClawNews ist unabhängig — hilf mit, dass das so bleibt.
