大模型推理加速：2026年6-8月重要论文与进展

调研截止：2026年8月6日 | 覆盖方向：投机解码、KV缓存优化、扩散语言模型、系统级优化

---

一、投机解码（Speculative Decoding）

这是近两个月最密集的方向。EAGLE-3（NeurIPS 2025）已成为 vLLM、SGLang、TensorRT-LLM 的默认基线，新工作普遍以超越 EAGLE-3 为对标。

1. DSpark — DeepSeek + 北京大学（6月27日）

论文： DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation
开源： DeepSpec（MIT许可，内置 DSpark / DFlash / Eagle3）

核心问题： 并行草稿模型（如 DFlash）一次前向生成整个候选块，速度快，但各位置独立预测，无法建模 token 间依赖，导致后段接受率快速衰减（suffix decay）。

两项互补机制：

• 半自回归生成架构： 并行主干保持高吞吐，末端附加轻量级串行头（Markov 头或 RNN 头）注入前缀依赖。两层 Transformer 深度的 DSpark 即可超越五层 DFlash 的接受长度。
• 置信度调度验证： 置信度头评估每个 token 的"存活概率"，硬件感知调度器根据实时引擎吞吐动态决定最优验证长度，优先将算力分配给预期回报最高的 token。还设计了"时序温度缩放"校准置信度过高的问题。

实测数据（生产部署）：

• DeepSeek-V4-Flash：单用户生成速度提升 60%-85%
• DeepSeek-V4-Pro：提升 57%-78%
• Qwen3-4B/8B/14B 宏平均接受长度较 Eagle3 提升 30.9%/26.7%/30.0%
• 已兼容 Qwen3、Gemma4-12B 等主流基座

亮点： 创始人梁文锋亲自署名，已完成真实用户流量落地验证，非纯实验室结果。DSpark 兼容多模型、全开源，对缺乏底层算法团队的中小企业降低私有化部署门槛。

---

2. JetSpec — 阶跃星辰 + UCSD（6月）

论文： JetSpec: Breaking the Scaling Ceiling of Speculative Decoding with Parallel Tree Drafting (arXiv:2606.18394)
开源： GitHub | 模型权重

核心思路： 用因果并行树生成（Causal Parallel Tree Drafting）同时解决"草稿成本"和"接受率"两个维度。通过树形因果注意力掩码（tree-causal attention mask），每个树节点只能看到原始前缀和本分支祖先 token，所有节点在一次前向中并行计算，同时保持分支内自回归依赖。

关键数据：

• Qwen3-8B 上端到端最高 9.64x 加速（vs 标准自回归）
• MATH-500 上一次验证平均接受 10.76 个 token
• HumanEval 7.12x、LiveCodeBench 7.67x、MT-Bench 4.58x
• 树预算从 16 增至 128 时，吞吐从 443 TPS 升至 968 TPS
• B200 单卡 batch=1 预算 127 时，MATH-500 吞吐约 1000 TPS

与 DSpark 的互补关系： DSpark 面向高并发、预算受限场景（系统层面减少无效计算）；JetSpec 面向低延迟、计算预算充足场景（算法层面提高有效 token 生成率）。两者共同指向"因果性"成为下一代投机解码的关键。

vLLM 集成： 已实现基于 vLLM fork 的服务端推理，支持 paged FlashAttention（Triton + CuTe DSL）直接在 attention 计算中应用树掩码。

---

3. Saguaro (SSD) — Stanford / Princeton / Together AI（ICLR 2026）

论文： Speculative Speculative Decoding (arXiv:2603.03251)
作者： Tanishq Kumar, Tri Dao（FlashAttention 作者）, Avner May

核心创新： “嵌套投机”——在目标模型验证草稿期间，草稿模型不闲置，而是预测验证结果并提前准备下一轮投机。如果预测命中，下一轮草稿瞬间返回，消除起草延迟。

技术要点：

• 最优缓存结构遵循几何扇出序列，浅层集中更多 token
• Bonus token 预测：用 draft logits 预测目标模型采样结果，命中率约 90%
• 需要独立 GPU 跑草稿模型（论文用 4x H100 跑目标 + 1x H100 跑草稿）

性能：

• Llama-3.1-70B：255.8 tok/s（vs SD 161.8，AR 54.7），较 SD 提升 1.58x
• 平均比优化后的 SD 基线快 30%，比自回归快最高 5x
• 在所有 batch size 下改善吞吐-延迟 Pareto 前沿

限制： 需要专用 GPU 给草稿模型，单卡部署不适用。

---

4. 其他投机解码重要工作

论文	会议/时间	核心贡献	关键数据
HCSpec	ACL 2026	双层水平级联投机解码，位置特化的异构草稿模块	超 EAGLE-3 15-30%，最高 3.72x
PARD	ICLR 2026	目标模型无关的并行草稿，单一草稿模型适配整个模型家族	LLaMA3.1-8B 3.67x，264.88 tok/s
Aurora	arXiv 2月	RL 在线学习草稿模型，训练-推理一体化系统	Day-0 即用 1.5x，分布漂移额外 1.25x
Nightjar	JSA 2026	资源感知自适应投机框架，动态选择投机长度，高负载时关闭投机并卸载草稿模型	吞吐 +14.76%，延迟 -20.18%
AHSD	Neurocomputing 8月	自适应混合投机解码，置信度驱动的两阶段 token 处理 + 桶批处理	2.4x 加速，2.48x 吞吐
SpecVocab	ACL Findings 2026	投机词表——每步动态选择词表子集，而非缩减词表	超 EAGLE-3 吞吐 8.1%
CAST	ICLR 2026	推理成本感知的动态树构建，考虑 GPU 配置和 batch size	—

---

二、KV 缓存优化

1. TurboQuant — Google（2026）

将 KV 向量从笛卡尔坐标转为极坐标（PolarQuant），消除逐块归一化元数据。对 Key 添加基于 Johnson-Lindenstrauss 变换的 1-bit 校正层（QJL）。

• 2.5-3 bits/value（从 16 bits 降下来），6x 压缩，零精度损失
• 无需校准数据，即插即用
• H100 上 attention kernel 加速最高 8x
• 已有 PyTorch (Triton)、MLX、llama.cpp 社区实现

2. Lynx — arXiv 7月2日（投稿 SIGCOMM 2026）

面向解聚合推理（Prefill/Decode 分离）的 KV 传输瓶颈。将 KV 缓存分为高优先级 Anchor 流（MSB，约 4 bits）和低优先级 Residual 流（LSB，约 4 bits），Anchor 到达后立即启动推测解码，Residual 到达后一次验证保证输出一致。

• INT4 级 TTFT + BF16 精度（此前无方案同时实现）
• 较标准 INT8 KV 量化 TTFT 提升 1.43x
• Qwen3-235B 128K context：25 Gbps 链路下原需约 7.5s 传输

3. DASH-KV — ACL 2026 Findings

将注意力重构为近似最近邻搜索，用非对称深度哈希（Query 用 3 层 MLP，Key 用线性投影）将浮点相似度计算替换为汉明距离比特操作。

• O(N²) → O(N)，性能匹配全注意力
• 配合跨头共识和跨层动量校准

4. FreqDepthKV — arXiv 7月7日

将相邻层 KV 状态分解为共享低频深度分量 + 稀疏高频残差，轻量在线探针为每个注意力头分配共享/残差/精确缓存模式。

• 32K context 下 3.9x 有效压缩比
• 解码吞吐 70.4 tok/s，TTFT 2.06s，峰值 KV 内存 6.2 GB

---

三、扩散语言模型（Diffusion LLM）

这条路线试图用扩散生成替代自回归解码，从范式层面解决推理瓶颈。

1. Mercury 2 — Inception Labs

用扩散在 8-16 步内将随机噪声精炼为完整文本序列，Blackwell GPU 上达到 1009 tok/s，端到端延迟 1.7s，约比 Claude 4.5 Haiku / GPT-5 Mini 快 10x。AIME 2025 得分 91.1，已进入推理能力梯队。

意义： 如果扩散 LLM 成熟到前沿质量，整个自回归推理优化栈将变得无关。目前质量差距在缩小但未闭合，且扩散天然支持填充（infilling）和纠错。

2. FlashDLM — Cornell（ICLR 2026）

两项 training-free 技术加速扩散语言模型：

• FreeCache： 跨去噪步骤复用稳定的 KV 投影，减少计算成本
• Guided Diffusion： 用轻量预训练自回归模型监督 token 解掩码，大幅减少去噪迭代次数

平均 12.14x 端到端加速，首次使扩散 LM 延迟与自回归模型相当。

---

四、系统级优化

1. ZipServ — ASPLOS 2026（港科大）

无损权重压缩框架，与 GPU 架构协同设计：

• TCA-TBE 固定长度格式，支持常数时间并行解码
• ZipGEMM 融合解压-GEMM 内核，直接在 Tensor Core 寄存器中解压
• 模型体积减少 30%，kernel 级 2.21x（vs cuBLAS），端到端 1.22x（vs vLLM）

2. BlockPilot — 阿里巴巴 AMAP（6月30日，arXiv:2606.31315）

针对块级扩散草稿模型（如 DFlash）的固定块大小问题，实现推理时动态选择最优块大小——类似"自动换挡"。

• Qwen3-4B 上 4.20x 推理加速
• 根据输入难度在"猜得多"和"猜得准"间取最优平衡

---

五、核心趋势判断

1. 投机解码进入系统优化阶段。 焦点从"找好草稿模型架构"转向"端到端 draft-verify 系统优化"——训练-推理一体化（Aurora 用 RL 在线学习）、负载感知调度（DSpark/Nightjar）、嵌套投机（Saguaro）。

2. 并行草稿 + 因果性注入成为主流范式。 DSpark（半自回归串行头）、JetSpec（因果并行树）、HCSpec（水平级联）都在解决同一个问题：并行草稿快但缺乏 token 间依赖建模。解法各有不同，但方向一致。

3. KV 缓存优化跳出浮点框架。 TurboQuant 用极坐标、DASH-KV 用二进制哈希、Lynx 用分流传输、FreqDepthKV 用频域分解——都在尝试全新的计算范式，而非在浮点量化上做微调。

4. 扩散语言模型开始挑战自回归。 Mercury 2 达到 1000+ tok/s，FlashDLM 达到 12x 加速，质量差距在缩小。虽然尚未达到前沿模型水平，但这条路线如果成熟，将使整个自回归优化栈失效。

5. 生产落地加速。 DSpark 已在 DeepSeek 线上服务部署，EAGLE-3 成为三大推理框架默认，JetSpec 已集成 vLLM。从论文到生产的周期在缩短。

6. 推理已取代训练成为 AI 算力主要消耗。 据 Deloitte 2026 TMT 预测，推理约占全部 AI 算力支出的 2/3（2023 年仅 1/3），推理优化芯片市场超 500 亿美元。

---

论文索引

#	论文	链接
1	DSpark	arXiv:2607.05147 / DeepSpec
2	JetSpec	arXiv:2606.18394 / 项目页
3	Saguaro (SSD)	arXiv:2603.03251
4	HCSpec	ACL 2026
5	PARD	ICLR 2026
6	Aurora	arXiv:2602.06932
7	Nightjar	JSA 2026
8	AHSD	Neurocomputing 2026
9	SpecVocab	ACL Findings 2026
10	TurboQuant	综述
11	Lynx	arXiv:2607.01831
12	DASH-KV	ACL Findings 2026
13	FreqDepthKV	arXiv:2607.06519
14	FlashDLM	ICLR 2026
15	ZipServ	ASPLOS 2026
16	BlockPilot	arXiv:2606.31315
写自定义目录标题)

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants 是一个文本转换工具，主要功能是将普通的 ASCII 标点符号自动转换为更美观的印刷体标点符号。例如：

原始符号	转换后	说明
"引号"	“引号”	直引号变弯引号
'单引号'	‘单引号’	直单引号变弯单引号
--	–	两个连字符变短破折号
---	—	三个连字符变长破折号
...	…	三个点变省略号

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

• 关于 甘特图 语法，参考 这儿,

UML图表

可以使用UML图表进行渲染，例如下面产生的一个序列图：

• 关于 UML图表 语法，参考 这儿,

流程图

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart.js的流程图语法：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎