投机解码实战：那顿并非免费的午餐

你的 700 亿参数模型在推理时大部分时间都在等待内存读取，而非进行计算。现代 GPU 每从内存读取一个字节就能执行数百次算术运算，但自回归 Transformer 解码每加载一个字节只进行寥寥数次运算。硬件在空转，而你的用户在等待。投机解码利用了这一差距：让一个小而快的模型提前起草多个 token，然后让大模型在一次并行传递中一并验证。承诺是延迟降低 2-3 倍，且输出质量在数学上完全一致。但现实远没有这么简单。

经过两年在 Google 搜索、编程助手和开源服务框架中的生产部署，投机解码已经从研究新奇事物毕业为标准优化手段。但"标准"并不意味着"即插即用"。该技术在草稿模型选择、批处理大小敏感性和内存开销方面有许多尖锐的边界条件，它们决定了你是获得 3 倍加速还是净减速。

投机解码的实际工作原理

核心思想借鉴自 CPU 分支预测。不是每次都从昂贵的目标模型逐个生成 token，而是先运行一个廉价的草稿模型向前推进 K 步，产生 K 个候选 token。然后目标模型在一次前向传递中处理所有 K 个候选——这大约与生成单个 token 的成本相同，因为瓶颈在于从内存加载权重，而非计算本身。

验证步骤使用了一种改进的拒绝采样方案。对于每个起草的 token，目标模型将自身的概率分布与草稿模型的进行比较。如果目标模型对该起草 token 赋予了相同或更高的概率，则接受。否则，以目标概率与草稿概率之比的比例接受，其余情况拒绝。当一个 token 被拒绝时，所有后续的草稿 token 都被丢弃，目标模型从调整后的分布中采样一个修正 token。

这种拒绝采样机制正是保证成立的关键：输出分布在数学上与目标模型独立生成的结果完全一致。你没有在近似或蒸馏。你生成的是完全相同的分布，只是更快。

每轮验证中预期接受的 token 数遵循一个简洁的公式，基于接受率 α 和投机 token 数 γ：τ = (1 - α^(γ+1)) / (1 - α)。当 α = 0.8、γ = 5 时，平均每轮大约接受 4.5 个 token。由于每轮大约消耗一次目标模型前向传递，这意味着昂贵的前向传递次数减少了 4.5 倍。

草稿模型选择难题

草稿模型的选择正是"免费午餐"说法站不住脚的地方。这个选择决定了你的接受率，而接受率决定了投机解码是帮助还是拖累。而且大多数人最初的直觉——选最小的但预测能力还不错的模型——是不完整的。

最近的大规模基准测试揭示了一个反直觉的发现：草稿模型的语言建模准确度（困惑度）与其对投机解码吞吐量的贡献几乎没有相关性。草稿模型的延迟才是端到端加速的更强决定因素。一个稍微不那么精确但运行快 3 倍的模型会胜过一个更精确但更慢的草稿模型，因为验证步骤本来就会捕获错误。

大小比例很重要。 在实践中，草稿模型应该是目标模型的 1/10 到 1/50。Llama 3.2-1B 为 Llama 3.1-70B 起草之所以效果很好，正是因为同系列模型共享分词和训练分布，比同等大小的通用小模型产生更高的接受率。

领域特异性比规模更重要。 现成的草稿模型往往在特定领域任务或超长上下文上表现不佳。在你的生产查询分布上微调草稿模型可以将接受率提高 20-40%。对于高流量工作负载，这项投资很快就能收回。生产团队的一个实用经验是：精心策划数据混合——平衡对话、指令跟随和代码领域——比单纯扩大数据集规模对草稿质量的影响更大。

接受率阈值大约在 0.55-0.60。 低于此值，验证开销会吞噬并行 token 生成带来的收益。当接受率达到 0.6 或更高且投机 token 数为 5 个以上时，你可以可靠地期望 2-3 倍的加速。低于 0.5 时，完全不使用投机解码可能反而更好。

投机解码何时适得其反

该技术有一个明确的失效模式，直接映射到硬件利用率。投机解码用额外的计算来换取更少的内存传输。在低批处理大小（1-10 个并发请求）下，GPU 受内存带宽限制——在权重加载之间处于空闲状态——因此将计算花在起草-验证上纯粹是收益。但随着批处理大小增加，GPU 变成计算瓶颈，投机解码额外的验证工作开始争夺此时已成为瓶颈的算力资源。

生产基准测试的具体数据：

• 批处理大小 1-10：2-3 倍加速，最佳区间
• 批处理大小 10-30：收益递减，通常 1.3-1.8 倍
• 批处理大小 32+：通常比标准解码更慢

这意味着投机解码非常适合交互式、对延迟敏感的应用——聊天机器人、代码补全、实时助手——在这些场景下你服务的是单个用户，关心的是首 token 时间和 token 间延迟。对于批量处理工作负载（如批量文档摘要或离线评估），它是适得其反的，因为你已经用大批量饱和了 GPU 算力。

还有一些场景也会适得其反：

• 非常短的回复：如果你的典型输出不到 20 个 token，没有足够的生成量来摊销草稿开销。
• 高温度的创意生成：高温度的随机采样产生的分布草稿模型很难预测，接受率暴跌。
• 内存受限的部署：草稿模型的权重（1-8 GB）、其 KV 缓存以及验证张量分配都消耗 GPU 显存，这些显存本可用于更大的批处理或更长的上下文窗口。

加载中…