draft-model

incoai发布了DFlash 2草稿模型（Qwen3.8-Flash-Next-DFlash2），这是一种用于推测解码的块扩散式草稿器，可在单次前向中预测整个token块，并通过SGLang实现无损解码加速，在接受长度上优于内置MTP。

DLite提出一种无历史上下文的投机解码框架，通过复用目标模型的隐状态进行局部预测并省去历史KV缓存维护，在agentic工作负载下将接受长度提升至2-6，较SOTA方法DSpark提升最高70%。

今天，我们为视觉语言模型 (VLM) LFM2.5-VL-3B 发布了一个实验性的 DSpark 草稿模型，它增加了一个推测解码路径，以实现更快的推理速度，同时内存成本最小。

针对Qwen 3.8 27B的草稿模型在16 GB GPU上非常有效，在RX 9070 XT上可达到约60 token/秒的速度，并提供比内置MTP更好的VRAM效率。

DFlash 2 是一个用于投机解码的块扩散草稿模型，可提升 Qwen3.8-27B 语言模型的推理速度，在基准测试中提供更高的接受长度和吞吐量。

介绍了 DFlash 2，一种用于与 Qwen3.8-27B 模型进行投机解码的块扩散草稿器，在基准测试中展示了改进的接受长度和吞吐量。

DeepSeek 开源了 DeepSpec，这是一个用于训练和评估推测解码草稿模型的全栈代码库，可实现 60-85% 的生成速度提升。它包含数据准备、训练和评估脚本，支持多种草稿模型算法（DSpark、DFlash、Eagle3）。

现在有了适用于 llama.cpp 的 MiniMax M3 EAGLE 草稿模型的 GGUF 转换，可在兼容硬件上实现推测解码加速。

推测性解码是一种推理优化技术，它使用快速草稿模型提出未来 token，并由较大模型并行验证，从而提高 LLM 的生成速度。文章强调了它在 Papers with Code 上的热门状态，以及最近的 SGLang 博客文章，该文章介绍了使用 DFlash 模型实现的最先进延迟。

讨论了推测解码的多种风格，并尝试为社区制作一个Qwen-3.6-27b EAGLE-3草稿模型。

提出PPOW，一种强化学习框架，用于优化推测解码中的草稿模型，采用窗口级目标和自适应窗口化，在多个基准测试中实现了显著加速。

SlimSpec 为 drafter LM-head 引入了低秩参数化方法，以加速 LLMs 中的推测解码，在保持完整词表支持的同时实现了 4-5 倍加速。