自回歸解碼已然成為大語言模型的推理標準。大語言模型每次前向計算需要訪問它全部的參數，但只能得到一個 token，導致其生成昂貴且緩慢。

近日，EAGLE 團隊的新作《EAGLE-3: Scaling up Inference Acceleration of Large Language Models via Training-Time Test》通過一系列優化解鎖了投機采樣的 Scaling Law 能力，可以將大語言模型的推理速度提高 6.5 倍，同時不改變大語言模型的輸出分布，確保無損。同時，隨著訓練數據的增加，加速比還能進一步提高。

• 論文標題：EAGLE-3: Scaling up Inference Acceleration of Large Language Models via Training-Time Test
• arXiv 地址：https://arxiv.org/abs/2503.01840
• 項目地址：https://github.com/SafeAILab/EAGLE
• SGLang 版本：https://github.com/sgl-project/sglang/pull/4247

EAGLE-3 的加速效果（DeepSeek-R1-Distill-LLaMA 8B 在數學推理數據集 GSM8K 上測試，其他模型在多輪對話數據集 MT-bench 上測試）：

不同方法的生成速度對比：

背景

投機采樣使用一個小的模型快速生成草稿，一次生成多個 token。目標大語言模型通過一次前向計算并行驗證草稿的正確性，輸出正確的草稿，并確保無損。EAGLE 系列是投機采樣的最快實現。

EAGLE-1 在更有規律的特征層面而不是 token 層面進行自回歸，同時輸入采樣結果（超前一個時間步的 token）消除了不確定性，明顯提升了草稿模型的準確率。EAGLE-2 利用草稿模型的置信度近似接受率，據此動態地調整草稿樹的結構，進一步提升了投機采樣的效率。

機器之心之前已經報道了 EAGLE-1 和 EAGLE-2 的工作：

• EAGLE-1：大模型推理效率無損提升3倍，滑鐵盧大學、北京大學等機構發布EAGLE
• EAGLE-2：無損加速最高5x，EAGLE-2讓RTX 3060的生成速度超過A100

最新的大模型通過使用越來越多的訓練數據以取得更好的性能。比如說，對于 LLaMA 系列 7B（8B）大小的模型，LLaMA 1、LLaMA 2 和 LLaMA 3 分別使用了 1T、2T、15T token 訓練數據，模型結構和推理成本基本不變的前提下各項指標取得了明顯提升。

EAGLE-3 的作者們希望通過增加草稿模型的訓練數據量以提高接受率和加速比（藍色曲線）。遺憾的是， EAGLE-1 從訓練數據增加中得到的提升非常有限（紅色曲線）。

EAGLE-1 和 EAGLE-3 的加速比隨著訓練數據的增加而變化的趨勢：

動機

EAGLE 在特征層進行自回歸，再使用目標模型的分類頭得到草稿 token。這種方式利用了目標模型的中間結果和信息，相比 token 層自回歸有更好的性能。因為草稿模型的最終任務是預測草稿 token，EAGLE 的損失函數包括兩部分，一部分是特征預測損失，另一部分是 token 預測損失。特征預測損失也可以被認為是一種約束，限制了模型的表達能力。

EAGLE-3 的作者們進行了實驗驗證，觀察第一個草稿 token 的接受率 0-α，在數據集較小時，特征預測損失在訓練數據較少時可以提高性能，但嚴重損害了草稿模型的 scaling up 能力。

不過，不使用特征預測損失會導致生成后續草稿 token 時的輸入偏離訓練分布，導致第二個草稿 token 的接受率 1-α 嚴重下降。為了解決這一問題，EAGLE-3 使用 “訓練時測試” 模擬多步生成，從而兼顧了模型的 scaling up 能力和生成多個草稿 token 的能力

EAGLE、Medusa 等投機采樣方法都重用目標模型的最后一層特征作為草稿模型的提示，但 EAGLE-3 的作者們發現這存在缺陷。大語言模型的最后一層特征經過線性變換就能得到下一個 token 的分布。對于滿秩的分類頭，最后一層特征和下一個 token 的分布一一對應。最后一層特征只有下一個 token 的信息，失去了目標模型的全局性質。

因此，EAGLE-3 不再使用目標模型的最后一層特征作為輔助信息，而是混合目標模型的低層、中層、高層信息來作為草稿模型的輸入。

方法

與其他投機采樣方法一致，EAGLE-3 交替執行草稿階段和驗證階段。

草稿階段以下圖為例。在預填充或者上一個驗證階段，EAGLE-3 記錄模型的低、中、高層特征序列，分別記為 l、m 和 h，拼接 k 維向量 l、m 和 h 得到 3k 維向量，然后通過一個全連接層將其降維到 k 維，就得到融合了不同層級信息的特征 g，其中 k 為目標模型的隱藏層維度。目標是生成以 “How can I” 為前綴的草稿 token 序列，只輸入 g_how 和 g_can，草稿模型無法感知隨機的采樣過程。

因此 EAGLE-3 引入采樣結果 I 的詞向量嵌入 e_I。將 g 與對應的超前一個時間步的嵌入 e 拼接，即 g_how 與 e_can 拼接，g_can 和 e_I 拼接。將拼接后的向量通過全連接層降到 k 維，并將其輸入進一個單層的 transformer 得到 a。然后，將 a 輸入分類頭，采樣得到第一個草稿 token “do”。

在 step 1，以 “How can” 為前綴時，EAGLE-3 重用了來自目標模型的 g_how 和 g_can。

在 step 2，前綴是 “How can I”。理想的方式是重用來自目標模型的 g_how、g_can 和 g_I。但這是不可能的，因為 token “I” 還沒有被目標模型檢查，無法獲取 g_I。EAGLE-3 用上一個 step 草稿模型的輸出 a_I 替代 g_I，拼接 a_I 與采樣結果 “do” 的詞向量嵌入作為草稿模型 step2 的輸入。

在 step 3，同樣無法獲得 g_do，所以使用 a_do 代替，拼接 a_do 與 e_it 作為草稿模型的輸入。之后的 step 同理。

實驗

EAGLE-3 在多輪對話、代碼、數學推理、指令遵循、總結五項任務上分別使用 MT-bench、Humaneval、GSM8K、Alpaca、CNN/DM 數據集進行了實驗，并與 7 種先進的投機采樣方法（SpS、PLD、Medusa、Lookahead、Hydra、EAGLE、EAGLE-2）進行了比較。

該實驗分別在 Vicuna (V), LLaMA-Instruct 3.1 (L31), LLaMA-Instruct 3.3 (L33), DeepSeek-R1-Distill-LLaMA (DSL) 上進行。

表格中的 Speedup 為加速比，τ 為平均接受長度，也就是目標模型每次前向計算能生成的 token 數。EAGLE-3 每次前向計算能生成大約 4-7 個 token，而自回歸解碼每次生成 1 個 token，因此 EAGLE-3 明顯加速了大語言模型的生成，加速比為3.1x-6.5x

在所有任務和模型上，EAGLE-3 的加速比和平均接受長度都是最高的，明顯優于其他方法。

應用

EAGLE-3 發布第一天就被集成到 SGLang 中。在生產級框架中，EAGLE-3 也有數倍加速效果。以下實驗由 SGLang 團隊提供并以 LLaMA 3.1 8B（batch size=1, 1x H100）為例。

投機采樣往往被認為在大 batch size 下會降低吞吐量。但是在 SGLang 這一生產級框架下，EAGLE-3 在 batch size 為 64 時仍可以提高 38% 的吞吐量，而 EAGLE 在 batch size 為 24 時就導致吞吐量下降。這里 1.00x 以 SGLang (w/o speculative) 的吞吐量作為基準。以下實驗由 SGLang 團隊提供并以 LLaMA 3.1 8B（1x H100）為例。

作者介紹

李堉暉：北京大學智能學院碩士，滑鐵盧大學訪問學者，受張弘揚老師和張超老師指導，研究方向為大模型加速和對齊。

魏芳蕓：微軟亞研院研究員，研究方向為具身智能、圖像生成和 AI agents。

張超：北京大學智能學院研究員，研究方向為計算機視覺和大模型加速。

張弘揚：滑鐵盧大學計算機學院、向量研究院助理教授，研究方向為大模型推理加速、AI 安全和世界模型。