轨迹检索投机解码论文：TLAR方法提升推理吞吐

2026年10月7日，arXiv · Artificial Intelligence（一手）发表论文，提出轨迹检索投机解码方法 Trajectory-Local Adaptive Retrieval（TLAR），探讨模型自身历史在长链式推理中的可用性。TLAR 从当前轨迹检索近似匹配的续写作为草稿，并用近期验证结果调节检索激活与候选宽度；检索续写与模型生成草稿被合并到共享候选树，通过精确验证保持目标模型输出分布。在代码调试、数学和开放写作任务上，与强检索基线结合后，在匹配验证预算下提升 token 接受率，并较草稿模型基线提高端到端吞吐。目前未见后续验证或争议报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。