跳到正文
热点事件持续更新

TLAR：用历史轨迹加速推测解码

1 篇报道1 个报道来源5 小时前更新

先了解这件事

AI 综述

Yuyang Dai、Yushun Dong 提出 Trajectory-Local Adaptive Retrieval（TLAR）推测解码方法：从当前推理轨迹中检索近似匹配的续写内容，并结合近期验证结果自适应调整检索激活与候选宽度。检索到的候选与模型生成的草稿共享同一候选树，经精确验证后保持目标模型输出分布不变。 在代码调试、数学与开放式写作任务中，TLAR 与强检索基线结合，在相同验证预算下提升 token 接受率，端到端吞吐量超过草稿模型基线。相关结果来自 arXiv cs.AI 分类的论文。

AI 根据报道生成 · 3 小时前更新

最新进展10月7日 12:00
轨迹检索投机解码：模型自身历史何时有用？

报道时间线

沿着报道，了解事件的不同侧面。

10月7日
  1. arXiv：cs.AI
    轨迹检索投机解码：模型自身历史何时有用？

    研究提出 Trajectory-Local Adaptive Retrieval（TLAR），从当前推理轨迹中检索近似匹配的续写内容，并结合近期验证结果自适应调整检索激活与候选宽度，与模型生成的草稿共享候选树，经精确验证保持目标模型输出分布。在代码调试、数学与开放式写作任务中，TLAR 与强检索基线结合，在相同验证预算下提升 token 接受率，端到端吞吐量超过草稿模型基线。

本事件热度走势

可比范围当前
9
可比范围峰值
910月7日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。