新智元报道
最近，英伟达发了篇官方的大模型推理指南，结果翻着翻着，硬是让人看成了一本华人团队的论文合集。
事情是这样的。
9 月 2 日，英伟达技术博客上线了一篇长文《用投机解码做 AI 模型协同设计》。
文章的核心就是一张选型表，把目前最主流的 6 种推理加速方案一字排开，连训练成本、适用场景都给你扒得干干净净。
它的分量在于，这是芯片霸主极其罕见地以官方姿态，把「模型该怎么贴着硬件物理极限去设计」写成了规范。
而当他们环顾四周，寻找能在硅片极限上跳舞的最优解时，列入指南的核心方案，几乎全是由华人团队主导的。
这早已超出了普通算法综述的范畴。这张表到底泄露了什么天机？咱们一行一行拆。
几乎纯赚的买卖：投机解码在干嘛
要看懂这张表，得先弄明白「投机解码」是个什么局。
大模型吐字，是一个一个往外蹦的。每吐一个词，几百 GB 的参数就得在显存里完整跑一圈。其实大部分时间，算力都在干等着内存搬数据。
「投机解码」的解法，十分简单粗暴——
先找个轻量级的小模型做前置预测，一口气先猜 7 个字；然后大模型一次性对这 7 个字做验证。
验证 7 个字和自己写 1 个字的耗时差不多，毕竟权重反正都要搬一遍。
猜对的直接收下，猜错的就从断点处重来。因为大模型只接受它自己本来就会写的字，所以最终输出连个标点都不用变。这就是所谓的「无损加速」。
在这个游戏里，所有的算力压榨，都围绕着一个核心的数学期望公式展开：
Speedup = [L] × TtargetTdraft + Tverify
分子是收益[L]，代表预期接受长度（大模型平均每轮能相中几个字）。
分母是你付出的额外代价，小模型做预测的时间（Tdraft）加上大模型最终验证的时间（Tverify ）。
想让加速比（Speedup）狂飙，无非两条路：要么拉高分子（猜得更准），要么极致压缩分母（猜得更快）。
踩着同行的肩膀，卷出四代进化
顺着英伟达这张表从上往下捋，你会看到一条清晰的厮杀主线。
第一行是最古老的「外置草稿模型」，得单独训一个小模型当助手。
英伟达直接亮出了天价账单：从头训要消耗 1T 到 10T 的 token，代价非常高昂。
不过它之所以还留在表上，是因为英伟达给它安排了一个特定的归宿——他们花了 200 亿美元收编的 Groq 芯片（LPU）。
最后一行则是无需训练的n-gram 查表法，靠从上文里硬搜重复片段直接抄，只适合大段复制粘贴的死板场景。
真正代表技术演进的，是中间的这四行。
第二行：EAGLE-3。
出自北大 Yuhui Li、滑铁卢大学 Hongyang Zhang 等人的团队。
从 ICML、EMNLP 一路杀到 NeurIPS，三年连发三代，把「逐字往下猜」这条串行老路做到了物理上限。
它曾是这个领域的绝对霸主，但在英伟达的新表里，它被挤到了「参考位」，理由极短：接受长度已经被后浪超越。
第三行：MTP（多 Token 预测）。
思路虽然是 Meta 在 2024 年首创，但真正把它锤成大模型推理标配的，是 DeepSeek-V3。
英伟达给它的评价极高——GPU 上大模型的最佳选择。核心要义在于，这种方案在预训练阶段就得和主模型绑在一起练。
第四行：DFlash。拿下 6 倍无损加速的狠角色。
三位作者 Jian Chen、Yesheng Liang、Zhijian Liu。它彻底摒弃了 EAGLE 和 MTP 那种「一个字接一个字猜」的串行打法，转而借鉴扩散模型，一次前向计算，直接将 7 个 Token 的预测序列一次性生成出来，把分母（耗时）压缩到了极致。
顺带一说，指导老师 Zhijian Liu 是 UCSD 助理教授，但他同时也是英伟达研究院的研究科学家。
第五行：DSpark。由 DeepSeek 和北京大学混编的 24 人团队操刀。
DFlash 的并行架构虽然快，但有个致命伤：越往后猜越不准。为了强行拉高分子（接受长度），DSpark 在并行底座上外挂了一个极轻的串行模块。
实测数据非常直观：接受长度比 EAGLE-3 拔高近 30%，比 DFlash 拔高 18%。在 DeepSeek-V4 的线上生产环境里，速度比 MTP 生生快了 60% 到 85%。
硬件常数，反向锁死模型架构
这四代技术能把算力榨干到这种地步，靠的不仅仅是算法上的巧思。
很多人以为草稿一次猜得越多越赚，但这完全无视了硅片的物理规则。
当注意力机制占据解码时间的大头时，大模型验证阶段需要处理的 Token 总数是1+D（1 个真实输入 + D 个草稿预测）。
为了把这部分数据喂给 GPU，硬件会在底层把 Query 头和 KV 头进行分组，每组的注意力核分块大小，必须严格受制于 GPU 物理矩阵的边界（Tile Size，当前架构通常为 128）。
这就拿到了底层对齐公式：G × (1 + D) ≤ 128
稍微推导一下，就得出了英伟达指南里的终极常数准则：
D = 128G − 1
其中，G是注意力分组数（Query 头和 KV 头的比例）。
这就意味着，你的模型在设计之初怎么给注意力分组，就直接决定了草稿该猜几个字，才能刚好把 GPU 的分块严丝合缝地填满。
如果G=8，草稿刚好猜 15 个；如果G=32，只能猜 3 个。硬件跨不过边界，哪怕最后一个 Tile 你只用了半块，算力照样按整块扣费。
以前，投机解码是模型练完出炉后，工程团队再去想办法外挂的加速包。但现在，底层的物理法则告诉你：一个硬件矩阵的常数，直接反推到了模型架构的设计参数上。
我们印象里，鲜有芯片厂商会像这样，把一个底层硬件的约束方程，写进了大模型的设计图纸里。
尾声
模型运行效率的竞赛重心，彻底变了。
单纯堆砌庞大参数的时代正在翻篇，如今真正的胜负手，取决于谁更懂脚下那块硅片的物理极限。
在这个由芯片巨头反向定规矩的新赛场上，华人团队已经悄然成为了破局的默认答案。
英伟达这样的算力霸主，自然不会挑剔货架上摆的是哪家算法。
但这套榨干硅片极限的最优解究竟出自谁手，白纸黑字，印得清清楚楚。
参考资料：
编辑：摩西
