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。

消融实验

消融实验：左侧考察 draft 数 K 对接受率的影响；右侧考察温度 T 对 BE 和 SR 的影响。

关于 draft number K，实验在 K=1、3、5、7 下比较 SpecTr-GBV 与 SpecTr。随着 K 增大，两种方法的接受率都上升，与理论分析一致；而 SpecTr-GBV 在所有设置中都保持更高接受率。

关于 draft length L，论文考察 L=12、16、20、24。随着 L 变长，BE 持续增加，但 SR 先升后降：更长的草稿有机会一次接受更多 token，却也要求 draft model 付出更多生成成本。当草稿阶段的额外计算超过减少 target calls 带来的收益时，实际加速反而会下降。

关于温度 T，作者在 T=0.1、0.4、0.7 下测试 L=12 和 16，BE 与 SR 的变化都较小，说明 SpecTr-GBV 对所测试温度范围具有较好的稳定性。

局限与展望

大模型推理加速常常把注意力放在模型压缩、蒸馏、量化或更强的 draft model 上，但 SpecTr-GBV 展示了另一条路线：即使 draft model 不变，仅仅重新设计 verification，也可以让同一批候选被更充分地利用。当 multi-draft 提供更丰富的候选路径，block verification 提供更长的联合接受能力，而 optimal transport 负责把二者组织进同一个 coupling problem 时，推测解码从 “逐位置接受或拒绝” 进一步变成了 “如何在候选路径之间寻找最长、又保持分布正确的可接受块”。这也是 SpecTr-GBV 想回答的核心问题。

SpecTr-GBV 的核心价值并不只是把 SpecTr 与 GBV 顺序拼接。它重新定义了 multi-draft setting 下的 verification objective：通过多草稿 token blocks 与 target token block 的最优 coupling，直接围绕期望 acceptance length 进行设计，并在对应的 CIC 类中给出可达到的最优性结论。

从推理系统角度看，这一框架也提供了一个更清晰的视角：推测解码的效率不仅取决于 draft model 是否 “猜得准”，还取决于验证算法能否充分利用候选结构。更多候选和更长 block 并非两个互不相关的旋钮，而可以被放在统一的概率耦合框架中共同优化。

SpecTr-GBV 的效率仍依赖 draft model 与 target model 的对齐程度。随着词表规模、draft length 或 draft 数量增大，算术复杂度和显存占用也可能上升。此外，当前理论与算法主要针对独立生成的 i.i.d. draft sequences，尚未扩展到 tree-based 等非独立多候选结构，可作为未来的研究方向。