Новости

D3D: Decoupled Diffusion Drafting for Asynchronous Speculative Decoding

arXiv cs.AI · Опубликовано 4 ноября 2026 г. · 3 мин чтения

За 30 секунд

Что произошло: D3D enables diffusion-based token drafting for language models without waiting for target model hidden states, achieving asynchronous speculative decoding with 5-7x speedup.
Почему это важно: Matters for engineers optimizing LLM inference latency, particularly when deploying larger models where decoding speed is a bottleneck.
На что обратить внимание: Results shown on Qwen3 models; generalization to other architectures and whether layer pruning strategy transfers across model families remains unclear.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.

Новости

arXiv cs.AI · Опубликовано 4 ноября 2026 г. · 3 мин чтения

Что произошло: D3D enables diffusion-based token drafting for language models without waiting for target model hidden states, achieving asynchronous speculative decoding with 5-7x speedup.
Почему это важно: Matters for engineers optimizing LLM inference latency, particularly when deploying larger models where decoding speed is a bottleneck.
На что обратить внимание: Results shown on Qwen3 models; generalization to other architectures and whether layer pruning strategy transfers across model families remains unclear.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.