arxiv.org·2026/10/21
推测式解码靠小模型串行起草 token、大模型并行验证来加速自回归(AR)语言模型,ProVe 把这两个角色反转:从标准 AR checkpoint 微调大模型,使其作为 proposer 一次前向预测整块未来 token,再用一次前向验证该块;验证器可以是更小的 AR 模型,也可以是 proposer 自身,后者即 ProVe-lossless,能复现 proposer 的贪心 AR 解码,输出无损。作者报告,32B proposer 下 ProVe-lossless 跨基准平均吞吐达 AR 的 2.5 倍,且无需训练单独的 draft head;换成 3B 小验证器则达 2.7 倍,代价是任务平均准确率比 AR 低 2.6 个百分点,在速度与精度之间形成可控的权衡。
为什么重要 推理部署选型直接相关:作者称免训 draft 模型也有 2.5x 吞吐,动摇'小模型起草'的默认架构。适合 做大模型推理加速、投机解码与 serving 的工程师
投机解码通过让小模型串行起草 token、大模型并行验证来加速自回归(AR)语言模型。我们反转了这两个角色。从标准的 AR checkpoint 出发,我们将大模型微调为一个 proposer,使其在单次前向传播中预测一整块未来 token,再用一次额外的前向传播验证所提出的块。这就得到了 ProVe,即 Proposer-Verifier 解码。
验证器可以是更小的 AR 模型,也可以是 proposer 本身;后者构成 ProVe-lossless,它复现 proposer 的贪心 AR 解码。块级提案本身已提供可观的加速空间:块大小为 16 时,提出的块在 GSM8K 上平均有 6.6 个 token 与 AR 前缀匹配。
在使用 32B proposer 的 6 个基准上,ProVe-lossless 在不训练单独 draft head 的情况下达到 2.5x 的平均 AR 吞吐。使用小的 3B 验证器时,ProVe 达到 2.7x 平均吞吐,在六任务平均上准确率比 AR 低 2.6 个百分点,提供了速度与精度之间可控的权衡。
Speculative decoding accelerates autoregressive (AR) language models by letting a small model draft tokens serially and a large model verify them in parallel. We reverse these roles.
Starting from a standard AR checkpoint, we fine-tune the large model into a proposer that predicts a block of future tokens in a single forward pass, then use one additional forward pass to verify the proposed block.
This gives ProVe, Proposer-Verifier decoding.
The verifier can be a smaller AR model or the proposer itself; the latter gives ProVe-lossless, which reproduces the proposer's greedy AR decoding.
Block proposals already provide substantial room for acceleration: with a block size of 16, the proposed block has an average AR-matching prefix of 6.6 tokens on GSM8K.
Across six benchmarks with a 32B proposer, ProVe-lossless reaches 2.5x average AR throughput without training a separate draft head.
With a small 3B verifier, ProVe reaches 2.7x average throughput at 2.6 accuracy points below AR on the six-task average, providing a controllable tradeoff between speed and accuracy.
无损版吞吐
六基准平均(自报)
3B 验证吞吐
相对 AR 平均
精度代价
六任务平均低于 AR
AR 匹配前缀
GSM8K 上统计
注释 · 全部为摘要自报值,正文与硬件条件未获取出自 摘要
EVIDENCE / METHODS
解读
大模型微调成 proposer 单前向出块,再一次前向验证
标准 speculative decoding 是小模型串行起草、大模型并行验证;术语解释Proposer-Verifier 解码:大模型微调成 proposer 出块、再一次前向验证的反转式投机解码 把两个角色对调:
verifier 有两种选法,对应两个变体:
加速空间来自块质量:块大小 16 时,GSM8K 上提议块平均有 6.6 token 前缀与 AR 输出一致——摘要称块提议'已提供可观的加速空间'。
注释 · 与传统'小模型起草、大模型验证'对照着读出自 摘要
原版排版与图表 · 手机无法内嵌时可在浏览器打开。PDF 插件内选文不能传给网页助手。