这项由NVIDIA研究团队主导完成的研究成果，以预印本形式发布于2026年2月，论文编号为arXiv:2604.09557v1，收录于计算机分布式系统领域（cs.DC）。有兴趣深入了解的读者可以通过该编号在arXiv平台查阅完整论文。

每次你向ChatGPT或者其他大型语言模型提问，背后发生的事情比你想象中复杂得多。模型不是一次性"想出"完整答案然后发给你的，而是像打字员一样，一个字一个字地生成。这种逐字生成的方式，在今天的硬件条件下，成了制约AI速度的最大瓶颈。为了突破这个瓶颈，研究人员想出了一种叫做"推测解码"（Speculative Decoding，简称SD）的聪明办法——但评估这个办法到底好不好，本身就是一门大学问。

NVIDIA的研究团队发现，现有的评估方法存在严重缺陷：测试题目不够多样、测试环境脱离现实、测试指标只看单用户场景。于是他们构建了一套全新的评测体系，命名为SPEED-Bench（推测解码评估数据集）。这套体系不仅提供了精心挑选的多样化数据，还配备了能对接真实生产环境的测量框架，试图为整个行业建立一套公平、可信的评测标准。

一、大模型"一个字一个字说话"的困境

要理解SPEED-Bench解决的问题，得先明白大模型推理究竟慢在哪里。可以把大型语言模型比作一本放在远处书架上的百科全书，每次你想知道下一个词，图书管理员就得跑到书架把这本厚重的书搬过来翻一下，然后再放回去，然后再跑过去翻下一个词。这里最耗时间的不是翻书的动作本身，而是"来回搬运"这本大书的过程——在计算机术语里，这叫做从高带宽内存（HBM）到芯片缓存的数据搬运，是一种"内存受限"的操作。

在只有一两个用户同时请求的低并发场景下，GPU的计算单元大部分时间都在等待数据搬运完成，闲置得相当厉害。推测解码的核心思路，就是利用这些闲置的计算能力。具体做法是引入一个体量小得多的"草稿模型"，让它先快速猜出接下来可能的一批词（比如一次猜3到7个），然后让大模型一次性验证这批猜测是否正确。因为验证多个词和验证一个词在数据搬运成本上相差无几，所以一旦猜对了多个，整体速度就会显著提升。更关键的是，通过一种叫做"拒绝采样"的数学机制，这个过程完全不会改变最终输出的质量，结果和大模型自己逐字生成的完全一致。

DeepSeek-R1、Qwen3-Next、NVIDIA的Nemotron-3、小米的MiMo-V2-Flash等前沿模型，已经把这种多词预测能力直接内嵌进了自己的架构之中。

二、现有评测方法的三个致命伤

然而，一个技术再好，如果没有靠谱的评测方法，研究人员就无法判断它到底进步了多少，也无法比较不同方法的优劣。NVIDIA团队梳理了当前SD评测领域的三大痛点。

第一个问题是数据不够多样。推测解码的效果高度依赖于输入文本的类型和复杂度——写代码的提示词和写诗的提示词，对草稿模型来说难度天差地别。但现有研究常用的数据集，比如MT-Bench，每个类别只有10个样本，而且这10个样本彼此相似度极高，完全无法代表真实世界用户的多样需求。更有甚者，MT-Bench的多语言子集清一色都是"把德语翻译成英语"这种模板式任务，而在SPEED-Bench的对比分析中，这个类别被发现存在严重的代表性偏差。

第二个问题是评测环境脱离现实。许多论文用HuggingFace这类面向研究者的高层库来测速度，但真实的生产部署环境用的是vLLM、TensorRT-LLM、SGLang这类经过深度优化的推理引擎，两者的性能差异不可忽视。在研究环境里测出来的漂亮数字，到了真实部署里可能大打折扣。

第三个问题是只测单用户场景。大量论文只报告批量大小为1（即一次只处理一个请求）的加速比，但真实的模型服务要同时应对几十甚至几百个用户的并发请求。随着并发量增加，系统会从"内存受限"转向"计算受限"，推测解码的优势会迅速收缩，有时甚至会变成负担。此外，现有数据集几乎都是短文本，而当今越来越多的应用场景需要处理长达数万词的上下文，这个领域的评测几乎是空白。

三、SPEED-Bench的核心设计：两套数据加一个测量框架

针对上述三个问题，SPEED-Bench提出了三位一体的解决方案。

首先是"质量评估数据集"（Qualitative Split）。这套数据的核心任务是衡量草稿模型的预测准确率，因此必须尽可能覆盖各种不同类型的文本。研究团队从18个公开数据集中取材，划分成11个大类：编程、数学、人文学科、自然科学、写作、摘要、角色扮演、检索增强问答、多语言、推理、问答。每个类别精选80个样本，总计880个样本。这个规模看似不大，但每个样本都经过精心筛选，确保语义上尽可能不重复。与SpecBench相比，SPEED-Bench在多语言类别覆盖了23种不同语言和多种任务类型，而不是只有德英翻译；在编程类别涵盖了Python、C++、Java、Go、Javascript、Rust等多种语言；大约20%的样本还包含多轮对话，最多五轮，远超SpecBench只有两轮的限制。此外，每个样本都附有难度标签和子类别标签，数学、编程、人文和自然科学类别中约80%的样本属于"困难"级别，且经过验证，用GPT-4生成的回答平均长度约650个词，足以产生有意义的评测信号。

其次是"吞吐量评估数据集"（Throughput Split）。这套数据专门用于评测系统在不同负载下的实际速度表现。数据按照输入长度被划分成5个固定桶：1千、2千、8千、1.6万、3.2万个词元，每个桶里包含来自3个难度层次（低熵、混合熵、高熵）的各512个样本，合计每个桶1536个样本。"低熵"指的是结果比较确定、可预测的任务，比如代码排序；"高熵"指的是开放性强、创意成分多的任务，比如自由写作；"混合熵"则介于两者之间，如自然科学问题。这种设计允许研究人员在现实负载下绘制出"吞吐量-延迟"的权衡曲线，直观看出在什么并发条件下推测解码是否有益。对于过短的样本会用中性后缀"请现在作答"补齐，对于过长的则截断，确保每个桶的输入长度完全统一。

第三个组件是统一测量框架。这个框架充当一个"标准翻译官"，在把同一批数据送给不同推理引擎时，确保每个引擎收到的词元序列完全一致——所有分词和格式化操作都在框架外部完成，绕过各引擎内部可能不一致的预处理逻辑。框架通过异步事件循环同时发送大量并发请求，模拟真实的高并发服务场景，并通过分析引擎返回的流式响应来计算接受率、接受长度、首词延迟、用户每秒词元数、整体吞吐量等关键指标。目前原生支持TensorRT-LLM、vLLM、SGLang三大生产级引擎，以及面向研究社区的SpecBench接口。

四、"最大语义多样性"的选样算法

质量评估数据集的880个样本并非随机抽取的，而是通过一套精心设计的算法筛选出来的。研究团队用OpenAI的文本嵌入模型把每个候选样本转换成一个高维数字向量，然后用余弦相似度来衡量任意两个样本之间的"语义距离"——距离越大，说明两个样本内容差异越大。

选样的目标是找到一组样本，使得它们两两之间的相似度之和最小，也就是让整个子集尽可能地"散开"，覆盖语义空间的各个角落。这个优化问题在数学上属于NP难问题（意味着暴力穷举计算量大到无法实现），于是研究团队采用了一种"贪心选择加局部交换"的启发式算法：先随机选一个起点，然后每次加入与当前集合相似度最低的那个候选样本；初步选完后，反复尝试将集合内的某个样本换成集合外的某个样本，只要这次交换能降低总相似度就执行，直到无法继续优化为止。

实测结果相当令人信服：与SpecBench相比，SPEED-Bench的平均样本间相似度降低了40%，在多语言类别降低了整整83%。更有趣的是，即使对同样的候选数据集做随机抽样，效果也普遍优于SpecBench——这说明SPEED-Bench数据来源本身的质量就更高，而优化算法又在此基础上进一步挖掘了多样性。团队还尝试了一种基于二次规划的数学近似算法，结果表明贪心算法得到的多样性分数与之相当，但速度更快、可扩展性更好。

五、合成数据的陷阱：随机词元为何会欺骗你

在讲述实验发现之前，有必要先说一个业界常见的坏习惯，以及SPEED-Bench如何揭示了它的危害。

工业界评测推理吞吐量时，有人会图省事，用随机生成的词元序列来充当测试输入，省去收集真实数据的麻烦。但SPEED-Bench的研究表明，这种做法对于推测解码评测来说是根本错误的。

随机词元输入会触发两种截然相反的模型行为，都会扭曲评测结果。第一种是"平凡响应"：模型识别出输入是乱码，然后输出一段通用的"我看不懂你说什么，能否说清楚一点"之类的套话。因为草稿模型也很容易猜到这种模板式回应，所以接受率会被人为抬高。论文举了一个实例，用随机输入测试GPT-OSS 120B配合EAGLE3草稿模型时，平均接受长度高达3.44，模型回答是"看起来您粘贴了一段混合语言文本，我需要更多信息……"第二种是"话题锁定"：随机词元中偶尔出现的某个词让模型抓住了一个话题，开始天马行空地扩展。论文另一个实例中，模型看到随机输入后扯到了Unity游戏引擎，洋洋洒洒地开始讲制作2D平台游戏的教程，但此时草稿模型跟不上这种任意跳跃的思路，接受长度只有1.877，远低于正常水平。

除了影响推测解码，随机词元对混合专家（MoE）架构模型的基础性能评测也会造成扭曲。MoE模型每次只激活一部分"专家"子网络，由路由器根据输入内容决定激活哪些。随机词元会让路由器"崩溃"到少数几个专家上，违背负载均衡假设，导致步骤延迟测量失真。实验数据显示，GPT-OSS 120B在处理8千词元长度、批量32的输入时，随机词元会导致某些层有20%到30%的专家根本不被激活，而SPEED-Bench的真实数据则产生接近均匀的专家激活分布。正因如此，开启推测解码后，随机数据测出的吞吐量平均比SPEED-Bench真实数据高出23%，是严重的高估。

六、主要实验发现：从接受率到跨引擎性能

研究团队用SPEED-Bench对多个前沿模型和SD方法进行了系统评测，包括Llama 3.3 70B、GPT-OSS 120B、Qwen3 235B、Qwen3-Next和DeepSeek R1，以及N-Gram、Vanilla SD（外部草稿模型）、EAGLE3和原生MTP四种SD方案。所有质量评测均使用批量大小32，草稿长度3，运行环境为单块NVIDIA B200 GPU（DeepSeek和Qwen模型使用8块）。

从质量评估数据集的结果来看，不同类别之间的接受长度差异相当显著，与直觉相符：编程和数学等"低熵"任务的接受长度最高，而角色扮演等"高熵"任务最低。以Llama 3.3 70B配合EAGLE3为例，编程类的平均接受长度达到3.00，而角色扮演只有2.04。N-Gram方案在批量32的条件下出现了净减速（加速比低于1），说明在这种并发水平下验证成本已经超过了收益。Vanilla SD（外部小模型）在某些配置下速度低于EAGLE3，尽管接受长度相近，原因在于运行独立草稿模型本身有额外开销。

原生MTP方案（Qwen3-Next）表现出色，在草稿长度3时接受长度达2.81，显著高于同模型的EAGLE3方案（2.36）。更有意思的是随草稿长度增加的趋势：Qwen3-Next的MTP接受率随草稿长度延长依然保持高位，而EAGLE3在草稿长度超过5之后会出现比较明显的精度衰退。研究团队将此归结为预训练集成的多词预测与后训练附加的推测头在长推测链上的根本性差异——预训练的方式显然更有优势。Vanilla SD（外部模型）也表现出比EAGLE3更好的长草稿链稳定性，尽管其单步开销更大。

在吞吐量评估数据集上，不同熵类别的接受长度走势与预期一致：低熵任务始终最高，高熵任务最低，混合熵居中。不过GPT-OSS 120B配合EAGLE3出现了一个有趣的异常：在短上下文（1千词元）时低熵类别表现最好，但随着输入长度增加，低熵类别的接受长度急剧下滑，甚至跌至混合熵以下。研究团队将此归因于该EAGLE3草稿模型的训练数据来源——主要是UltraChat和Magpie数据集，其中编程内容极少，自然在代码排序这类低熵任务上缺乏适应性。

关于最优草稿长度随批量大小的变化，实验结果非常直观：在低批量（系统处于内存受限状态）时，更长的草稿链更有优势，比如草稿长度3明显优于草稿长度1；但随着批量增大到128甚至更高，系统逐渐进入计算受限状态，验证多个草稿词元的额外计算成本开始压过收益，草稿长度1反而更高效。SPEED-Bench通过吞吐量-延迟曲线帮助工程师找到这个"交叉点"，从而为自己的实际部署场景选择合适的草稿长度。

关于推理引擎之间的差异，TensorRT-LLM在峰值吞吐量上优于vLLM，主要原因是TensorRT-LLM支持"单模型运行时"模式——将草稿头直接附加到目标模型上，用一个统一的CUDA计算图捕获整个草稿-验证循环，大幅减少了主机端的调度开销。vLLM采用"双模型"方式，草稿模型作为独立引擎运行，两者之间的通信会引入额外延迟，尽管异步调度机制能部分掩盖这种开销。不过vLLM的分段式图构建在需要动态调整草稿策略时有更大的灵活性。

七、词汇表裁剪：优化手段的双刃剑

EAGLE3为了降低计算瓶颈，采用了一种"词汇表裁剪"技术：从完整的词汇表（可能有十几万个词元）中只保留最高频的3.2万个，用这个缩减版词汇表来预测草稿词元，从而大幅减少最后投影层的计算量。这个做法在标准输入上效果不错，但SPEED-Bench的多样性评测揭示了它隐藏的代价。

研究团队分析了GPT-OSS 120B用贪心采样生成的输出中，有多少词元落在不同大小的裁剪词汇表之外。结果显示：在使用3.2万词汇表时，整体覆盖率达到94.7%，看上去还不错；但在多语言类别上，覆盖率只有76.9%，意味着每4个目标词元就有1个不在词汇表里，草稿模型根本无法预测这些词元，接受率必然大幅下滑。实测接受长度数据印证了这一点：与使用完整词汇表相比，数学类别的接受长度下降了2.28%，编程类别下降了2.94%，写作类别基本持平（下降0.65%），而RAG（检索增强问答）下降了10.05%，摘要类别下降了9.51%，多语言类别下降了10.22%，平均下降5.53%。

这个发现表明，如果只在编程和数学任务上评测，词汇表裁剪几乎没有感知成本；但一旦部署到多语言客服、文档摘要等场景，性能损失就会相当显著。SPEED-Bench的宽覆盖评测正是为了把这类"长尾失效"暴露出来。

八、从SpecBench到SPEED-Bench：一个具体的案例对比

为了直观展示评测数据集多样性的重要性，研究团队做了一个对比实验：用SpecBench和SPEED-Bench分别评测Llama 3.3 70B上的EAGLE3和Vanilla SD，草稿长度设为7。

在SpecBench的编程类别（只有10个样本）上，EAGLE3和Vanilla SD的接受长度非常接近，看起来两者水平相当。但切换到SPEED-Bench的编程类别（80个语义多样的样本）后，Vanilla SD的接受长度明显高于EAGLE3，符合外部模型在长草稿链上更稳定的预期。

多语言类别的差距更为戏剧性。SpecBench的多语言子集全部是德英翻译，在这种高度同质的任务上，两种方法差距不大。但SPEED-Bench的多语言子集覆盖23种语言和多种任务类型，在这里Vanilla SD展现出了对EAGLE3相当显著的优势。这一结果与词汇表裁剪分析相互印证：EAGLE3在词汇表外词元比例高的语言上表现更差，而SpecBench的两种语言根本无法暴露这个问题。这也正是SPEED-Bench多语言选样算法取得最高多样性提升（语义相似度降低83%）的类别——多样性最高的地方，也是最能区分方法优劣的地方。

九、训练上下文长度对草稿模型的影响

吞吐量数据集的另一项重要应用，是评测草稿模型在超出其训练上下文长度时的性能稳定性。研究团队专门训练了多个不同训练序列长度（1千、2千、4千词元）的GPT-OSS 120B EAGLE3草稿模型，并在SPEED-Bench的全部5个上下文长度桶上评测。

结论是清晰的：一旦推理时的输入长度超过训练时的最大长度，接受率就会迅速崩溃。以1千词元训练的模型在4千词元输入时接受率已经大幅下滑，在1.6万词元时几乎接近基线。不过，研究团队还发现了一个相对简单的补救措施：在推理时应用YaRN位置编码缩放技术，即使对训练序列只有1千词元的模型，也能在长上下文下显著恢复接受率。用2千词元训练、配合YaRN缩放的模型，甚至能在3.2万词元输入上维持接近合理的性能。

这对实践者的指导意义很直接：如果你部署的应用场景涉及长文本处理，草稿模型的训练序列长度必须足够，并且推理配置中要正确设置位置编码缩放，否则实际效果会与短文本测试结果天差地别。研究团队还顺带检查了HuggingFace上两个公开EAGLE3模型在长上下文下的表现，发现都存在明显的接受率衰退，并分析了可能的原因——其中一个模型可能位置编码配置与实际训练长度不一致。

说到底，SPEED-Bench这项工作解决的不是一个花哨的新算法问题，而是一个更基础却常被忽视的问题：如何可信地评测已有算法。推测解码技术本身已经相当成熟，但评测方法的混乱让研究人员无法准确判断进步的真实幅度，也让工程师无法放心地在生产环境中选择合适的方案。

NVIDIA团队通过这项工作揭示了若干在传统评测中看不见的现象：合成数据会系统性高估23%的吞吐量；词汇表裁剪在多语言场景下会带来10%以上的接受率损失；最优草稿长度会随并发量变化发生质的跃迁；训练上下文长度不足会在长文本场景下造成草稿模型的"断崖式"失效，而YaRN缩放是一个值得尝试的低成本缓解手段。

这对普通用户意味着什么？归根结底，更好的评测标准会推动更可靠的技术进步，最终让每次与AI对话的等待时间更短、响应更流畅。有深度兴趣的读者可以通过arXiv编号2604.09557查阅完整论文，或访问HuggingFace上的SPEED-Bench数据集页面直接体验这套评测工具。

Q&A

Q1：推测解码（Speculative Decoding）是什么原理，为什么能加速大模型？

A：推测解码利用一个体量小得多的"草稿模型"先快速猜出接下来可能出现的若干词，然后让大模型一次性验证这批猜测。由于验证多个词和验证一个词的内存搬运成本相差不大，猜对了就相当于"一步走了多步"，整体速度明显提升。通过拒绝采样机制，这个过程不改变输出质量，结果与大模型逐字生成完全一致。

Q2：SPEED-Bench和SpecBench相比有哪些具体改进？

A：SPEED-Bench在多个维度上超越了SpecBench。数据量方面，每类别80个样本对比SpecBench的10个；数据来源方面，24个数据集对比5个；语义多样性上平均相似度降低40%，多语言类别降低83%；多语言覆盖23种语言和多种任务，而非只有德英翻译；还新增了最长3.2万词元的长上下文评测和大批量并发吞吐量测试，这些在SpecBench中完全没有。

Q3：词汇表裁剪对EAGLE3在不同任务上的影响有多大？

A：影响差异很大。在数学和编程任务上，接受长度下降只有2%到3%，基本可以忽略；但在多语言、检索增强问答和摘要类任务上，接受长度下降高达10%左右，原因是这些类别中约22%的目标词元不在裁剪后的3.2万词汇表内，草稿模型根本无法预测。这说明词汇表裁剪在单一领域评测中看起来无害，但在真实多样化部署场景中代价不小。