Speculative Decoding 用小模型快速生成候选 token，大模型并行验证，正确的保留、错误的重新生成。在昇腾NPU上这个方法有天然优势——NPU 的 batch GEMM 对验证阶段的多 token 并行计算很高效。

原理

1. Draft Model（小模型）自回归生成 K 个候选 token
2. Target Model（大模型）一次 forward 验证 K 个 token
3. 找到第一个错误的 token，保留之前正确的
4. 从错误位置重新开始

例子（K=4）：
  Draft 生成：A B C D
  Target 验证：A ✓ B ✓ C ✗ D ✗
  接受 A B，从 C 开始重新生成

关键：Target Model 的验证是并行的——一次 forward 处理 K 个 token，比自回归快 K 倍。但只有正确率够高（> 60%），总体才比自回归快。

昇腾NPU上的实现

from atb import LLM, SpeculativeConfig

# Draft Model: Llama2-7B
draft_model = LLM("meta-llama/Llama-2-7b-hf", device="npu:0")

# Target Model: Llama2-70B, 8 卡 TP
target_model = LLM(
    "meta-llama/Llama-2-70b-hf",
    device="npu:0,1,2,3,4,5,6,7",
    tensor_parallel_size=8,
    speculative_config=SpeculativeConfig(
        draft_model=draft_model,
        num_speculative_tokens=4,  # 每次猜 4 个 token
    )
)

output = target_model.generate("Hello", max_new_tokens=100)

ATB 内部自动编排 draft 和 target 的交替执行。

为什么昇腾NPU适合 Speculative Decoding

Target Model 验证 K 个 token 时，等效 batch=K 的 prefill。Atlas 800I A2 上 batch=4 的 GEMM 利用率约 25%，而 batch=1（decode）只有 7%。

自回归：每步 batch=1，GEMM 利用率 7%
Speculative：每步 batch=4，GEMM 利用率 25%
验证速度提升 25%/7% ≈ 3.5×

NPU 在大 batch 下更高效，Speculative Decoding 正好把单 token decode 变成了多 token prefill。

接受率和加速比

加速比取决于 draft model 的接受率。接受率 = draft 生成正确 token 的比例。

接受率低于 60% 时加速不明显，draft 的开销开始抵消收益。

如何提高接受率

方法 1：用同架构的小模型。 Llama2-7B 做 Llama2-70B 的 draft model 比用不同架构的小模型接受率高 10-15%。因为同架构模型的输出分布更接近。

方法 2：增加 Draft Model 的温度。 Draft Model 用略高的 Temperature（比如 1.1）生成，让候选更多样化，覆盖 Target Model 可能选择的 token。

方法 3：动态 K 值。 不固定 K=4，根据最近几步的接受率动态调整。接受率高时增大 K，低时减小。

显存开销

Draft Model 的权重也要放在 NPU 显存里。Llama2-7B 作为 draft model 需要额外 14GB。

8 卡 Atlas 800I A2 × 64GB = 512GB 总显存：

• Target Model（70B）：140GB
• Draft Model（7B）：14GB
• KV Cache + buffer：剩余空间

512 - 140 - 14 = 358GB 给 KV Cache。如果不做 Speculative Decoding，504GB 给 KV Cache。显存少了 29%，但吞吐可能提升 2-3×。

Speculative Decoding 在昇腾NPU上的收益特别明显——把低利用率的 decode 变成高利用率的 batch prefill。前提是 draft model 的接受率 > 70%。同架构小模型 + 动态 K 值是最佳实践。仓库在这里：

https://atomgit.com/cann/ATB