在大语言模型（LLM）落地应用中，推理速度始终是制约效率的核心瓶颈。传统自回归（AR）解码虽能保证生成质量，却需逐 token 串行计算，速度极为缓慢； 扩散型 LLM（dLLMs）虽支持并行解码，却面临训练成本高昂、质量下降及 KV 缓存兼容问题；投机解码（Speculative Decoding）则需额外引入草稿模型，系统 复杂度大增。 Jacobi Forcing 核心优势： 破解并行解码的 "三元悖论" Jacobi Forcing 的创新之处在于打破了 "低代价、高速度、高质量" 的不可能三角，其核心优势体现在三大维度： 近期，来自 UCSD Hao AI Lab 和上海交大 Deng Lab 的团队提出了一种突破性解决方案 ——Jacobi Forcing，该方案无需重构模型架构，即可将标准 AR 模型转化为 原生因果并行解码器，在编码、数学等任务中实现最高 4 倍 wall-clock 提速和 4.5 倍 tokens-per-forward 提升，同时保持接近 AR 模型的生成质量，为 LLM 高效推 理开辟了新路径。 论文地址: https://arxiv.org/pdf/2512.1468 ...