NVIDIA 发布推测解码五准则：EAGLE-3、MTP 等机制横向对比
NVIDIAAI · x · 2026-09-05
NVIDIA 技术博客《Co-Designing AI Models Using Speculative Decoding for Faster LLM Inference》系统讲解了如何用推测解码（小 draft 模型并行生成多个 token、大模型并行验证）在不损失精度的情况下加速 LLM 推理，并给出五条实用准则：
- 将 GEMM 推入 compute-bound 区域，同时避免增加 KV cache 压力
- 当注意力占主导时，draft 长度设为 128/G - 1
- 较大的 draft 长度应与注意力 kernel 的 128 tile 边界对齐
- 极低延迟场景下，只在接受率收益能覆盖 draft 开销时才加大 draft 长度
- draft 机制选择需权衡接受长度、draft 开销与训练部署成本
文章对比了外部 draft 模型、EAGLE-3、MTP、DFlash、DSpark 以及 suffix/n-gram 等机制在训练成本、服务时内存、每 token 猜测成本上的取舍；NVIDIA 还开源了自研基准 SPEED-Bench（用编码、摘要等真实任务测量接受长度），并在 NVIDIA/Model-Optimizer 仓库提供 EAGLE-3、DFlash、DSpark 的可运行训练示例，含在 Nematron 3.5 Lightning 上演示的微调与量化工作流。
所属事件:NVIDIA 发布投机解码五准则加速大模型推理(4 条相关)→
「Infra」频道最新
- Pichai:所有人算力都严重短缺,谁都希望计划量翻倍 — firstadopter · 2026-10-21
- 斯坦福 CS336 第 6 讲:kernel 提速先少跑几趟显存 — stanfordnlp · 2026-10-21
- General Compute 携手 Positron：GPU 管提示，专用内存硬件管出 token — aftahi_ai · 2026-10-21
- 2026 年 AI 相关债券发行已达 4190 亿美元,比去年全年高出 90% — SumitGup · 2026-10-21
- 专家警示:企业沉迷 AI 预算,正在忽视云 FinOps 基本功 — DavidLinthicum · 2026-10-21
- 爆料称 DeepSeek 缺的是算力:1GW 集群可训出远强于 V4.1F 的模型 — teortaxesTex · 2026-10-21