EMNLP 2026|大模型推理如何再快一步？SpecTr-GBV统一多草稿与块验证，加速推测解码
大语言模型的生成过程天然具有自回归特性，即模型基于已有上下文逐 token 预测并生成后续内容。随着模型规模不断增大，单步前向计算的开销也随之增加，使得自回归解码面临较高的推理延迟。推测解码（Speculative Decoding, SD）通过引入一个更轻量的 draft model 预先生成候选 token，再由 target model 对这些候选进行并行验证，从而减少昂贵的 target model 前向计算次数，已成为加速大语言模型推理的重要技术路线。
但现有方法通常沿着两条路线分别优化：一类通过生成多个 draft sequence 扩大候选空间，另一类通过 block verification 一次验证更长的 token block。前者提高 “能找到可接受候选” 的机会，后者提高 “一次能接受多长” 的上限，但二者长期被分开设计。
团队提出 SpecTr-GBV ，将 multi-draft 与 greedy block verification（GBV）统一进同一个推测解码框架。它把多条 draft token blocks 与 target token block 的验证写成最优传输问题，在保持输出分布一致性的同时，追求更长的期望接受长度。
SpecTr（NeurIPS2023）与本文 SpecTr-GBV 的验证机制示意图。SpecTr 采用逐位置验证策略，在每个位置接受一个 token 并保留与其一致的 draft sequences；相比之下，SpecTr-GBV 以 sub-block 为单位进行联合验证，并在多条 draft sequences 中搜索并保留最长的可接受子块。
论文标题：SpecTr-GBV: Multi-Draft Block Verification Accelerating Speculative Decoding
作者：Yijun Lin、Jinhao Sheng、Qingyue Cai、Feng Zhou
机构：Center for Applied Statistics and School of Statistics, Renmin University of China；School of Intelligent Medicine, China Medical University
研究主题：大语言模型推理加速、推测解码、多草稿验证、块验证、最优传输
OpenReview 链接： https://openreview.net/forum?id=4BZ8R9wHhy
为什么重新设计推测解码的 “验证” 环节？
标准推测解码的基本思路是小模型先生成一段长度为 L 的草稿，目标模型一次前向计算得到对应位置的真实条件分布，再通过 rejection sampling 依次决定草稿 token 是否可以被接受。只要某个位置首次被拒绝，后续 token 通常就会被丢弃。
这种机制虽然避免了目标模型逐 token 调用，但也带来一个直接瓶颈：一次 speculative iteration 最终能保留下来的 token 数量，受限于草稿序列与目标分布的匹配程度。只要前面某一处失败，后面的潜在正确 token 也很难继续发挥作用。为了进一步提升草稿序列与目标分布的匹配程度，可以将验证方式从逐 token 匹配扩展为多 token 的块级匹配，从而更充分地利用草稿序列中的候选信息。
已有路线：更多草稿，或者更聪明地验证
第一条路线是 multi-draft。以 SpecTr 为代表的方法，会从 draft model 生成 K 条独立草稿序列。在每一个位置上，它利用最优传输构造 draft 分布与 target 分布之间的 coupling，从 K 个候选 token 中寻找可接受者。随着 K 增大，“至少有一个候选可被接受” 的概率会提高。
第二条路线是 block verification。GBV 不再逐 token 独立判断，而是在 single-draft setting 下把前缀子块作为整体进行验证，并证明能够达到单次迭代中最优的期望接受 token 数。
问题在于：multi-draft 解决 “候选够不够多”，block verification 解决 “能不能一次接受得更长”。如何能把它们统一起来？
SpecTr-GBV 的核心：最优传输问题同时解决 “多草稿” 和 “长块验证”
SpecTr-GBV 从 K 条 i.i.d. draft sequences 出发，每条长度为 L。与 SpecTr 按位置逐列做验证不同，它把每条草稿的不同前缀都视为候选 sub-block，并围绕 “最终能够与 target sequence 匹配到多长” 来定义 acceptance length。
对给定的多条 draft sequence 与 target sequence，论文把 acceptance length 定义为：存在至少一条 draft，其长度为 i 的前缀与 target 的长度为 i 的前缀完全一致时，可以接受到位置 i；最终取最大的 i。于是，验证目标不再是单独最大化某一个位置的接受概率，而是直接最大化整个 block 的期望接受长度。
直观地说，SpecTr-GBV 研究 “在多条草稿里，哪一条能尽可能长地按照 target distribution 一次走下去”。
第一步：构造多草稿 block 与 target block 的 coupling
论文将验证写成一个 optimal transport optimization：在保持 draft marginal 与 target marginal 不变的前提下，寻找使期望 acceptance length 最大的 coupling。由于 K 条草稿由 draft model 独立生成，作者进一步考虑条件独立性下（conditionally independent couplings ，CIC）的耦合，以对应算法中的多草稿验证不进行联合适应的结构。
第二步：逐条草稿做 greedy block verification
算法层面，SpecTr-GBV 依次处理多条 draft sequence。对每条草稿，它从短前缀到长前缀进行 block-level verification，并保留能够通过验证的最长 sub-block。如果当前草稿没有带来更长的可接受前缀，就继续检查下一条草稿；最终选择所有草稿中接受长度最长的 block。
第三步：用 residual distribution 补上下一 token
当最长可接受 block 没有覆盖完整长度 L 时，算法会在其后从 residual distribution 中采样一个 token；若长度 L 全部接受，则再从 target model 生成一个额外 token。与此同时，未接受位置的 target distribution 会在进入下一轮 speculative iteration 前做相应修正，以保证跨轮次的输出分布一致性。
理论结果：SD 更优接受率
SpecTr-GBV 的一个重点不是只做经验上的组合，而是给出与其多草稿验证结构相匹配的理论上界。论文首先推导了在 CIC 类中任意 coupling 的期望 acceptance length 上界，并证明这个上界具有三个关键性质。
单调性 ：draft 数 K 增加时，上界严格增大。更多独立草稿能够扩大至少一条路径与 target 前缀匹配的机会。
收敛性 ：当 K 趋于无穷时，该上界趋近于最大 block 长度 L。
一致性 ：当 K=1 时，上界退化为 single-draft setting，对应 GBV。
更进一步，论文证明 SpecTr-GBV 能够达到上述上界。因此，在作者定义的 conditionally independent couplings 类中，对于固定的 K，SpecTr-GBV 实现了最优的期望接受长度，且该最优值还会随着 K 增大而上升。
实验结果与分析
论文在五个数据集上进行评估：HumanEval（Python 代码）、GSM8K（小学数学）、MGSM（多语言数学）、LM1B（语言建模）与 Alpaca（指令遵循）。比较方法包括 Autoregressive Decoding（AR）、标准 Speculative Decoding（SD）、SpecTr 和 GBV。
评测同时报告两个指标：Block Efficiency（BE）表示每次 target model 串行调用平均能解码多少 token；Speedup Ratio（SR）直接用 AR 的 wall-clock time 除以当前方法耗时，衡量端到端实际加速。
主实验结果：在 DeepSeek-33B/1.3B 与 DeepSeek-6.7B/1.3B 两种 target-draft 配置下，SpecTr-GBV 在五个任务上均表现出更高的 block efficiency 与 speedup。
论文特别区分了算法层面的 block efficiency 与真实系统的 wall-clock speedup。BE 只关注每次串行 target call 能 “带走” 多少 token，而实际耗时还包括 draft model 生成候选的开销，以及 target model 在 batch verification 时产生的额外延迟。因此 SR 通常小于 BE，这是推测解码系统中一个必须面对的工程现实。
主题：推测解码|SpecTr-GBV|最优传输