论文《Confidence-Modulated Speculative Decoding for Large Language Models》总结与翻译
一、文章主要内容
本文聚焦大型语言模型（LLMs）自回归推理效率低下的问题，提出了一种基于置信度调制的自适应推测解码框架（CM-ASD），旨在通过动态调整推测生成的token数量和验证阈值，在保证生成质量的同时提升推理速度。
1. 研究背景
自回归解码（AR）是自然语言处理中序列生成（如机器翻译、文本摘要）的主流范式，但因其生成过程的顺序性，无法有效利用GPU等并行硬件，导致推理吞吐量低、延迟高。推测解码（Speculative Decoding）通过“先推测再验证”的范式并行生成token，缓解了这一问题，但现有方法存在局限性：采用固定推测窗口大小（k）和刚性验证标准，无法适应模型不确定性变化和输入复杂度差异，可能导致推测过度（频繁回滚）或推测保守（速度提升有限）。
2. 核心框架：CM-ASD
CM-ASD以信息论为基础，通过编码器输出分布的熵和边际不确定性度量，实现推测过程的动态调整，核心包含三部分：
- 置信度估计：从token层面计算模型对预测的置信度，提供三种计算方式：
- 熵基置信度：通过预测分布的熵量化不确定性，熵值越低置信度越高，经归一化后
