بقلم: ليلى | محررة أدوات المطورين · صوت تحريري بإشراف بشري
أطلقت DeepSeek إطار عمل جديداً مفتوح المصدر باسم DSpark، يَعِد بتسريع inference نماذج اللغة الكبيرة بنسبة تصل إلى 85% (وفقاً لـ VentureBeat)، دون المساس بمخرجات النموذج أو تغيير أوزانه.
الفكرة في جوهرها ذكية: معظم نماذج اللغة تولّد النص رمزاً رمزاً، في حلقة خطية بطيئة. DSpark يكسر هذا النمط بجعل النموذج يعمل كفريقين متوازيين — نموذج استطلاعي خفيف يجري قفزات استباقية ويقترح مسارات محتملة، والنموذج الأصلي يتحقق منها بسرعة ويُبقي الصحيح منها. حين تكون التوقعات دقيقة، يتسارع الإنتاج بشكل لافت. وحين تكون ضعيفة، يتجاهل الإطار الخطوات غير الواعدة بدلاً من إهدار دورات حسابية في التحقق منها.
ما يميز DSpark عن مقاربات التسريع التقليدية هو أنه لا يتطلب إعادة تدريب أو fine-tuning للنموذج الأصلي. كل التسريع يحدث على مستوى inference pipeline، مما يجعله قابلاً للتطبيق فورياً على نماذج قائمة. وبحكم كونه مفتوح المصدر، يستطيع المطورون مباشرةً دمجه في بيئاتهم الإنتاجية أو تطويره.
الإطار يأتي في سياق ضغط متصاعد على تكاليف inference — وهو البند الذي بات يُشكّل الجزء الأكبر من فاتورة تشغيل أي تطبيق AI في الإنتاج. إذا كنت تشغّل نماذج بمليارات الطلبات شهرياً، فإن خفض الزمن الحسابي بنسبة 85% يعني مباشرةً تخفيض التكلفة بما يقارب هذه النسبة أيضاً — وهو ما لا يستطيع أي مدير منتج أو مطور أن يتجاهله. وقد سبق لموجز تغطية جهود مماثلة في هذا الاتجاه عند إصدار vLLM v0.24.0 الذي جمع 571 مساهمة لإعادة تشكيل منصة الـ inference.
التحفظ الجوهري الذي لا يذكره المصدر صراحةً: أداء DSpark مرتبط مباشرةً بجودة النموذج الاستطلاعي في التنبؤ بالمسار الصحيح. في المهام ذات الإجابات المفتوحة أو غير المتوقعة — كتوليد الشعر أو التفكير الإبداعي — قد تنخفض نسبة الإصابة في التوقعات، مما يُقلص مكاسب السرعة الفعلية. الرقم 85% على الأرجح يعكس أفضل السيناريوهات على مهام بنية محددة.
