SPOT：预测提交顺序加速扩散语言模型推测解码
原文标题：On the SPOT: Enhancing Speculative Decoding for Diffusion Language Models via Commit-Order Prediction
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出扩散语言模型推测解码的关键缺口是「下一个填哪个位置」，而非 token 本身。作者提出 SPOT，用仅 0.62M 参数的模型读取目标输出分布并预测提交顺序，配合耦合噪声匹配验证支持任意温度下的树式推测。实验将目标前向次数最多减少 6.8 倍、吞吐提升至 3.2 倍，且草稿器可跨六个扩散语言模型迁移。
- 问题
- 扩散语言模型的推测解码缺少「下一个填哪个位置」的决策机制。
- 方法
- 用 0.62M 参数小模型读取目标输出分布预测提交顺序，配合耦合噪声匹配验证支持任意温度树式推测。
- 结果
- 目标前向次数最多减少 6.8 倍，吞吐提升至 3.2 倍，草稿器可跨六个扩散语言模型迁移。
- 影响
- 为扩散语言模型提供无损加速方案，且小模型可复用，降低部署门槛。
深读 · 结论先行AI 生成展开看要点与影响 ↓
0.62M参数模型预测扩散LM提交顺序，目标前向最多减6.8倍、吞吐达3.2倍
- •关键洞察：上一轮预测在92-100%位置已给出正确token，缺的是「下一个填哪」
- •SPOT仅0.62M参数，只读目标输出分布，提出候选续写树
- •目标模型单次前向即可验证整棵树，采用耦合噪声匹配支持任意温度
- •实验将目标前向次数最多减少6.8倍，吞吐提升至标准解码的3.2倍
- •草稿器可跨六个扩散语言模型迁移
为什么重要：扩散语言模型的并行生成长期受速度-质量权衡制约，这条路径以极小额外模型换取无损加速，对推理部署成本敏感的场景有参考意义。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。