ECHO：把多 token 预测并入自回归目标
原文标题：ECHO: Efficient Causal Self-Recursion Beyond Auxiliary Multi-Token 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。
论文提出 Efficient Causal Self-Recursion（ECHO），让主干最后一层直接预测所有时间跨度，使监督落在生成下一 token 的参数上，并用动态深度采样降低深层训练成本。预训练阶段在推理与代码任务上以一半 MTP 开销取得增益，推理时模型可自任草稿模型，在开放式高熵生成中保持草稿-目标对齐。
- 问题
- 多 token 预测依赖外挂模块，每个时间跨度都增加模块与一次前向。
- 方法
- 让主干最后一层直接预测所有时间跨度，并用动态深度采样降低深层训练成本。
- 结果
- 以一半 MTP 训练开销在推理与代码任务上取得增益；未给出具体点数。
- 影响
- 把未来预测并入自回归目标，推理时模型可自任草稿模型，省去独立草稿模型。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ECHO 让主干最后一层直接预测所有时间跨度，以一半 MTP 开销在推理与代码任务上取得增益。
- •现有 MTP 方法中多跨度损失主要训练挂在主干上的辅助模块，每加一个跨度就多一个模块和一次前向
- •ECHO 由主干自身最后一层预测每个跨度，监督落在生成下一 token 的参数上
- •动态深度采样（DDS）按随深度衰减的概率抽取训练深度，降低深层训练成本
- •预训练增益集中在推理与代码，训练开销为逐深度训练 MTP 的一半
- •推理时模型自任草稿模型，在开放式高熵生成中保持草稿-目标对齐；优势在双倍 token 预算、重复预训练与监督微调后仍成立
为什么重要：把未来预测并入自回归目标而非外挂任务，可能改变预训练配方与推测解码的草稿来源设计。
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。