Xiao Tan(@tvytlx):给负责猜词的小模型删掉记忆，它反而猜得更准了。上交一个团队的新论文 DLite，讲的就是这件事。先说背景。现在大模型推理加速有个主流做法，叫投机解码：先让一个小模型快速猜几个词，再让大模型一次性检查，猜对的直接收下。猜对的越多，跑得越快。问题出在 Agent 上。 Agent 干活时，上下文又长又一直在变，还要来回很多轮。这个团队测了一下，现有的小模型到了这种场景，一次能猜对的长度最多会掉 80%。小模型还得自己维护一份历史缓存，这又是一笔系统开销。两个问题，根子是同一个：历史越来越长。他们的做法挺干脆的。小模型干脆不存历史。反正大模型已经把前面全读过了，就直接拿它内部的状态来用，小模型只看眼前这一小段，猜接下来几个词。一个越来越难的长程建模问题，就这样被换成了一个局部的简单预测问题。另外加了一个很轻的小模块，把这几个词之间的先后关系补回来。结果是一次能猜对 2 到 6 个词，最多比之前最强的方法 DSpark 高出 70%。我觉得这玩意值得看的地方主要是方向。 Agent 越来越能干，任务越跑越长，速度和成本会是很实在的卡点。大家的第一反应通常是塞更多上下文、给更大的记忆。这篇反着来：既然已经有人记住了，另一个就别再背一遍。当然，这些都是论文里的数字，实际能快多少还要看具体模型和场景。代码和权重都放出来了，感兴趣可以自己跑跑。我打算把这招用到开会上：前面两小时不听，只看老板最后一句话时的表情，猜他到底要什么。要是猜错了，大概就轮到我被大模型拒收了。

2026.10.20 18:15

给负责猜词的小模型删掉记忆，它反而猜得更准了。上交一个团队的新论文 DLite，讲的就是这件事。先说背景。现在大模型推理加速有个主流做法，叫投机解码：先让一个小模型快速猜几个词，再让大模型一次性检查，猜对的直接收下。猜对的越多，跑得越快。问题出在 Agent 上。 Agent 干活时，上下文又长又一直在变，还要来回很多轮。这个团队测了一下，现有的小模型到了这种场景，一次能猜对的长度最多会掉 80%。小模型还得自己维护一份历史缓存，这又是一笔系统开销。两个问题，根子是同一个：历史越来越长。他们的做法挺干脆的。小模型干脆不存历史。反正大模型已经把前面全读过了，就直接拿它内部的状态来用，小模型只看眼前这一小段，猜接下来几个词。一个越来越难的长程建模问题，就这样被换成了一个局部的简单预测问题。另外加了一个很轻的小模块，把这几个词之间的先后关系补回来。结果是一次能猜对 2 到 6 个词，最多比之前最强的方法 DSpark 高出 70%。我觉得这玩意值得看的地方主要是方向。 Agent 越来越能干，任务越跑越长，速度和成本会是很实在的卡点。大家的第一反应通常是塞更多上下文、给更大的记忆。这篇反着来：既然已经有人记住了，另一个就别再背一遍。当然，这些都是论文里的数字，实际能快多少还要看具体模型和场景。代码和权重都放出来了，感兴趣可以自己跑跑。我打算把这招用到开会上：前面两小时不听，只看老板最后一句话时的表情，猜他到底要什么。要是猜错了，大概就轮到我被大模型拒收了。

Forward to community