概述
推测性解码通过使用小型、快速的“草稿”模型提前猜测多个标记，然后让大型模型立即验证它们，从而使大型语言模型更快地生成文本。它以相同的输出质量将推理速度提高 2-3 倍。
推测解码是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
通常，LLM 一次生成一个标记的文本：每个标记都需要通过巨型模型进行完整的前向传递，并且在当前标记完成之前您无法开始下一个标记。这很慢，因为它受内存限制，而不是计算限制——GPU 大部分时间都花在加载权重上，而不是做数学运算。推测性解码打破了瓶颈。一个小型、廉价的草案模型提出了一大块，例如五个候选令牌。然后，大型“目标”模型在一次并行前向传递中处理所有五个并检查它们。与其产生的代币相匹配的代币被接受；当出现第一个分歧时，它会纠正并丢弃其余的。由于验证许多代币的成本与生成一个代币的成本大致相同，因此接受的猜测几乎是免费的。
技术洞察
巧妙的部分是拒绝采样规则，它保证输出分布在数学上与单独运行目标模型相同 - 因此质量不是近似的，而是精确的。接受率推动加速：小模型对大模型的预测越好，每个验证步骤中保留的代币就越多。 Medusa 等变体为目标模型本身添加了额外的预测头，而 EAGLE 在特征空间中草稿，从而无需单独的草稿模型。
掌握推测解码
推测性解码通过使用小型、快速的“草稿”模型提前猜测多个标记，然后让大型模型立即验证它们，从而使大型语言模型更快地生成文本。它以相同的输出质量将推理速度提高 2-3 倍。推测解码是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将推测解码视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用推测解码的强大团队根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
7B 草案模型提出 70B 聊天模型的代币，以减少生产助理中的响应延迟
Medusa 头固定在 LLM 上，因此无需单独的草稿模型即可同时预测多个未来代币
vLLM 支持推测性解码，以提高服务集群上的每秒令牌吞吐量
在模型的隐藏特征空间中进行 EAGLE 绘图，以提高接受率和整体速度
实施模式
实践中的推测解码
7B 草案模型提出了 70B 聊天模型的代币，以减少生产助理中的响应延迟。
7B 草案模型建议为 70B 聊天模型提供令牌，以减少生产助理的响应延迟。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的推测解码
美杜莎的头固定在法学硕士上，因此它可以同时预测多个未来的代币，而无需单独的草案模型。
Medusa 的头固定在 LLM 上，因此无需单独的草稿模型，它就能同时预测多个未来的代币。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的推测解码
vLLM 支持推测性解码，以提高服务集群上的每秒令牌吞吐量。
vLLM 支持推测性解码，以提高服务集群上的每秒令牌吞吐量。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中的推测解码
EAGLE 在模型的隐藏特征空间中绘图，以提高接受率和整体速度。
在模型的隐藏功能空间中进行 EAGLE 起草，以提高接受率和整体速度 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。