为投机解码恢复离策略监督：基于 rollout 的草稿模型训练框架

研究者提出基于 rollout 的训练框架，通过 Anchor-Label Relabelling（ALR）和 In-Rollout Anchors（IRA）两个组件，为投机解码草稿模型恢复被离策略 token 破坏的完整监督信号。在固定视觉语言和文本语料上，该框架相比 DFlash 将贪心接受长度最高提升 36.5%，单轮训练即超过最佳擦除调度，三轮后匹配目标重生成响应的接受长度。代码已开源。