12:07arXiv cs.LG@Xuezhen Xie, Zhiqiang Zhou精选CLP提出了一种新的多Token预测(MTP)加速方法,解决了现有MTP方法中“头-主干竞争”导致的质量下降问题。该方法通过“主干即架构”原则,让主干语言模型头始终生成第一个Token,MTP头只负责后续Token。CLP使用轻量级线性层(4.6K-7.7K参数)预测可安全接受的Token数量,在Qwen2.5模型上实现1.14x-1.29x加速,且质量零损失(重复率<0.02),优于传统门控网络方法。实验表明,较短的预测窗口(k=2)在大模型上可恢复24%的MTP头准确率,为未来加速研究提供了清晰路线图。论文推理加速多Token预测Qwen2.5零损失轻量架构推荐理由:CLP解决了多Token预测加速中质量下降的核心痛点,做LLM推理优化的团队可以直接参考其轻量设计,在保持输出质量的同时获得稳定加速。原文