英伟达官方推理指南来了！6倍无损加速，最优解全是华人写的

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：

https://developer.nvidia.com/blog/co-designing-ai-models-using-speculative-decoding-for-faster-llm-inference/

编辑：摩西