أعلنت ديب سيك عن إطلاق DSpark، وهو إطار مفتوح المصدر يهدف إلى تحسين سرعة استجابة نماذج اللغة الكبيرة من دون تغيير مضمون المخرجات التي تنتجها. ويأتي هذا الإطلاق في وقت تتسابق فيه شركات الذكاء الاصطناعي على خفض زمن الاستجابة وتقليل تكلفة تشغيل النماذج الضخمة في بيئات الاستخدام الفعلي.
الفكرة الأساسية وراء DSpark بسيطة في ظاهرها، لكنها مؤثرة تقنياً: السماح لآلية أصغر وأكثر خفة باقتراح مجموعة من الرموز النصية المتوقعة مسبقاً، ثم قيام النموذج الأكبر بالتحقق منها بسرعة. وعندما تكون التوقعات صحيحة، يمكن للنظام أن يتقدم بعدة خطوات في وقت واحد، ما يؤدي إلى تسريع ملحوظ في عملية توليد النص.
وتقول ديب سيك إن الإطار الجديد لا يقتصر على نماذجها فقط، بل يمكن تطبيقه أيضاً على عائلات نماذج مفتوحة الوزن أخرى، مثل Qwen وGemma، ما يوسّع نطاق الاستفادة المحتمل ليشمل مختبرات بحثية وفرق بنية تحتية وشركات تدير نماذجها ذاتياً.
أداء أعلى في بيئات الإنتاج
تركز أهمية DSpark على طبقة الاستدلال، وهي المرحلة التي يُنتج فيها النموذج الإجابة النهائية للمستخدم. هذه الطبقة تمثل أحد أكثر أجزاء تشغيل الذكاء الاصطناعي كلفة، لأن كل رمز جديد يعتمد على الرموز السابقة، ما يجبر النظام على التوقف والتقييم في كل خطوة.
في الاختبارات الإنتاجية التي أجرتها ديب سيك، حقق النظام تحسينات واضحة في معدل الإنتاجية الكلي، إلى جانب ارتفاع في سرعة التوليد لكل مستخدم. ووفقاً للنتائج المعلنة، ارتفع الأداء بشكل ملموس عند تشغيله على نماذجها الأكبر والأصغر ضمن عائلة DeepSeek-V4، مع وصول بعض المكاسب إلى نطاقات كبيرة عند مقارنتها بخط الأساس السابق.
وتوضح الشركة أن بعض الأرقام تمثل سرعة الإحساس الفعلي للمستخدم أثناء تلقيه الرموز النصية، بينما تعكس أرقام أخرى قدرة النظام الكلية على استيعاب الطلبات المتزامنة. هذا الفرق مهم، لأن تحسين تجربة المستخدم لا يعني بالضرورة فقط زيادة عدد الطلبات التي يستطيع الخادم معالجتها، بل أيضاً تقليل التأخير في كل جلسة منفردة.
وبحسب المعطيات المنشورة، يمكن أن تصل التحسينات في سرعة توليد الرموز على مستوى المستخدم الفردي إلى مستويات مرتفعة في بعض السيناريوهات، بينما ترتفع الإنتاجية الإجمالية بدرجات مختلفة وفقاً لقيود الحمل وحدود الأداء المستهدفة.
ما الذي يفعله التوليد المضاربي؟
يعتمد DSpark على ما يُعرف في أبحاث النماذج اللغوية باسم التوليد المضاربي. هذه التقنية لا تطلب من النموذج الكبير أن ينتج كل كلمة أو جزء من كلمة بشكل متسلسل بطيء، بل تستخدم مُولداً مساعداً لتخمين مقاطع متوقعة من النص، ثم تتحقق منها دفعة واحدة.
إذا كانت التخمينات صحيحة، يُقبل الجزء الأكبر منها ويواصل النظام التقدم بسرعة. أما إذا أخطأ المُولّد المساعد، فيتم رفض الجزء غير الدقيق وتعديله، ثم إعادة المحاولة. الهدف هو الحفاظ على جودة المخرجات نفسها مع تقليل عدد المرات التي يضطر فيها النموذج الكبير إلى التوقف واتخاذ قرار منفرد لكل رمز.
هذا الأسلوب مهم بشكل خاص في تطبيقات مثل روبوتات المحادثة، وأدوات البرمجة المساعدة، وسير العمل الوكيلي، وأنظمة المؤسسات التي تتوقع استجابة سريعة ومستمرة بدلاً من خروج النص ببطء شديد.
ما الذي يميز DSpark عن الأساليب التقليدية؟
ترى ديب سيك أن الإطار الجديد يحاول معالجة مشكلتين متلازمتين: التوقعات الضعيفة من جهة، والهدر الحاسوبي في التحقق من التوقعات من جهة أخرى. ولهذا يجمع DSpark بين التوليد شبه المتسلسل وآلية تحقق حساسة للثقة والحمل التشغيلي.
في المستوى الأول، لا يعتمد النظام على التوازي الكامل فقط، لأن التوازي الشديد قد يضعف الترابط بين الرموز المتتابعة. كما لا يعود إلى التوليد المتسلسل الكامل، لأن ذلك يفقده جزءاً كبيراً من السرعة. بدلاً من ذلك، يستخدم بنية هجينة تحاول الحفاظ على التوازن بين الدقة والكفاءة.
أما في المستوى الثاني، فيجعل النظام عملية التحقق مرنة وليست ثابتة. فبدلاً من فحص عدد محدد من الرموز في كل مرة بغض النظر عن الظروف، يقدّر DSpark مقدار الثقة في المقطع المقترح ثم يضبط حجم التحقق وفقاً لذلك، مع مراعاة الضغط الحالي على الخادم.
هذه المقاربة تجعل النظام أكثر ملاءمة لبيئات الإنتاج التي يتغير فيها الحمل باستمرار. ففي الأوقات الهادئة يمكن التحقق من مقاطع أطول، بينما يصبح التحقق أكثر انتقائية عندما يزداد عدد المستخدمين المتزامنين.
اختبارات خارجية على Qwen وGemma
لم تقتصر تجارب ديب سيك على نماذجها الخاصة. فقد شملت الاختبارات أيضاً نماذج مفتوحة الوزن من عائلات Qwen وGemma، مع قياس قدرة DSpark على زيادة طول المقاطع المقبولة في كل دورة توليد.
وتشير النتائج إلى أن الإطار الجديد حسّن متوسط طول الرموز المقبولة مقارنة ببعض الدرافترز المنافسة، سواء في النماذج الأصغر أو الأكبر ضمن العائلات المختبرة. كما ظهرت الفوائد بوضوح أكبر في المهام المنظمة مثل الرياضيات والبرمجة، حيث تكون مسارات الإجابة المحتملة أكثر قابلية للتنبؤ مقارنة بالمحادثات الحرة.
وهذا يفسر سبب اهتمام فرق المؤسسات بهذه الفئة من التقنيات. فكلما كانت النتيجة النهائية أكثر بنية وقابلية للتوقع، ازدادت فرصة أن ينجح التوليد المضاربي في تسريع العملية من دون خسارة كبيرة في الجودة.
أهمية الإطلاق للمؤسسات والمطورين
يمثل DSpark رسالة واضحة إلى السوق: مكاسب الأداء في الذكاء الاصطناعي لا تأتي فقط من بناء نماذج أكبر، بل أيضاً من تشغيلها بطريقة أذكى. فالتكلفة الحقيقية في كثير من الحالات لا ترتبط بحجم النموذج وحده، بل بكيفية إدارة الاستدلال والذاكرة والجدولة تحت ضغط الاستخدام الفعلي.
وبالنسبة للمؤسسات التي تدير نماذج مفتوحة الوزن داخل بنيتها الخاصة، يفتح الإطار الباب أمام تحسينات عملية في زمن الاستجابة والقدرة الاستيعابية. لكن الاستفادة ليست تلقائية؛ فالتوليد المضاربي يحتاج إلى توافق بين المُولّد المساعد والنموذج الهدف، وإلى ضبط دقيق لطبقة الخدمة والبنية الحاسوبية.
هذا يعني أن شركة تستخدم نموذجاً مستضافاً عبر واجهة برمجية خارجية لن تتمكن ببساطة من إضافة DSpark من طرفها، لأن التقنية تتطلب التحكم في الأوزان ومسار التحقق وجدولة التنفيذ. أما الجهات التي تدير النماذج والعتاد بنفسها، فلديها مرونة أكبر لتجربة هذا النوع من التحسينات.
لماذا يكتسب هذا النوع من التحسينات أهمية الآن؟
مع توسع استخدام نماذج اللغة الكبيرة في بيئات الشركات، أصبحت كفاءة الاستدلال من أهم معايير التنافس. فالعميل النهائي لا يهتم فقط بقوة النموذج، بل بسرعة الرد، واستقرار الخدمة، وإمكانية رفع عدد المستخدمين دون تضاعف التكلفة بصورة غير مقبولة.
ومن هنا، تبدو تقنيات مثل DSpark جزءاً من موجة أوسع داخل صناعة الذكاء الاصطناعي، تركز على تحسين طبقة التشغيل نفسها. فالسباق لم يعد محصوراً في من يبني نموذجاً أكثر ذكاءً فحسب، بل أيضاً في من يستطيع تشغيله بتكلفة أقل وبزمن استجابة أسرع وباعتمادية أعلى.
كما أن نشر ديب سيك للكود والأوزان المرجعية والورقة التقنية تحت رخصة متساهلة يسهّل على الباحثين والمهندسين دراسة الفكرة وتكييفها. وهذه نقطة مهمة في مجال يتقدم بسرعة، لأن الوصول المفتوح إلى أدوات التقييم والتنفيذ يساعد على تحويل الأفكار البحثية إلى تحسينات قابلة للتطبيق في الواقع.
خلاصة المشهد
يقدّم DSpark مثالاً عملياً على أن الابتكار في الذكاء الاصطناعي لا يقتصر على النماذج الكبرى نفسها، بل يمتد إلى الطريقة التي تُدار بها أثناء الخدمة. وإذا نجحت هذه الفئة من الأساليب في الانتشار، فقد تصبح طبقة الاستدلال مجالاً تنافسياً لا يقل أهمية عن تدريب النماذج.
وبالنسبة للسوق الأوسع، فإن الرسالة التي يحملها الإطلاق واضحة: تحسين الأداء قد يأتي من تقنيات تبدو صغيرة في الوصف، لكنها كبيرة في الأثر، خصوصاً عندما يتعلق الأمر بأنظمة تحتاج إلى الجمع بين السرعة، والكفاءة، والجودة في وقت واحد.