SPEED: Speculative Pipelined Execution for Efficient Decoding
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Hooper, Coleman, Kim, Sehoon, Mohammadzadeh, Hiva, Genc, Hasan, Keutzer, Kurt, Gholami, Amir, Shao, Sophia |
|---|---|
| Format: | Preprint |
| Publié: |
2023
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Squeezed Attention: Accelerating Long Context Length LLM Inference
par: Hooper, Coleman, et autres
Publié: (2024)
par: Hooper, Coleman, et autres
Publié: (2024)
KVQuant: Towards 10 Million Context Length LLM Inference with KV Cache Quantization
par: Hooper, Coleman, et autres
Publié: (2024)
par: Hooper, Coleman, et autres
Publié: (2024)
Multipole Attention for Efficient Long Context Reasoning
par: Hooper, Coleman, et autres
Publié: (2025)
par: Hooper, Coleman, et autres
Publié: (2025)
SqueezeLLM: Dense-and-Sparse Quantization
par: Kim, Sehoon, et autres
Publié: (2023)
par: Kim, Sehoon, et autres
Publié: (2023)
Learned Best-Effort LLM Serving
par: Jha, Siddharth, et autres
Publié: (2024)
par: Jha, Siddharth, et autres
Publié: (2024)
Characterizing Prompt Compression Methods for Long Context Inference
par: Jha, Siddharth, et autres
Publié: (2024)
par: Jha, Siddharth, et autres
Publié: (2024)
Arbitrage: Efficient Reasoning via Advantage-Aware Speculation
par: Maheswaran, Monishwaran, et autres
Publié: (2025)
par: Maheswaran, Monishwaran, et autres
Publié: (2025)
AI and Memory Wall
par: Gholami, Amir, et autres
Publié: (2024)
par: Gholami, Amir, et autres
Publié: (2024)
TinyAgent: Function Calling at the Edge
par: Erdogan, Lutfi Eren, et autres
Publié: (2024)
par: Erdogan, Lutfi Eren, et autres
Publié: (2024)
Efficient and Scalable Estimation of Tool Representations in Vector Space
par: Moon, Suhong, et autres
Publié: (2024)
par: Moon, Suhong, et autres
Publié: (2024)
CDLM: Consistency Diffusion Language Models For Faster Sampling
par: Kim, Minseo, et autres
Publié: (2025)
par: Kim, Minseo, et autres
Publié: (2025)
QuantSpec: Self-Speculative Decoding with Hierarchical Quantized KV Cache
par: Tiwari, Rishabh, et autres
Publié: (2025)
par: Tiwari, Rishabh, et autres
Publié: (2025)
An LLM Compiler for Parallel Function Calling
par: Kim, Sehoon, et autres
Publié: (2023)
par: Kim, Sehoon, et autres
Publié: (2023)
Beyond Next-Token Prediction: A Performance Characterization of Diffusion versus Autoregressive Language Models
par: Kim, Minseo, et autres
Publié: (2025)
par: Kim, Minseo, et autres
Publié: (2025)
Plan-and-Act: Improving Planning of Agents for Long-Horizon Tasks
par: Erdogan, Lutfi Eren, et autres
Publié: (2025)
par: Erdogan, Lutfi Eren, et autres
Publié: (2025)
LLM2LLM: Boosting LLMs with Novel Iterative Data Enhancement
par: Lee, Nicholas, et autres
Publié: (2024)
par: Lee, Nicholas, et autres
Publié: (2024)
ETS: Efficient Tree Search for Inference-Time Scaling
par: Hooper, Coleman, et autres
Publié: (2025)
par: Hooper, Coleman, et autres
Publié: (2025)
Speculative Interaction Agents: Building Real-Time Agents with Asynchronous I/O and Speculative Tool Calling
par: Hooper, Coleman, et autres
Publié: (2026)
par: Hooper, Coleman, et autres
Publié: (2026)
Speculative Pipeline Decoding: Higher-Accruacy and Zero-Bubble Speculation via Pipeline Parallelism
par: Yu, Yijiong, et autres
Publié: (2026)
par: Yu, Yijiong, et autres
Publié: (2026)
LoSA: Locality Aware Sparse Attention for Block-Wise Diffusion Language Models
par: Xi, Haocheng, et autres
Publié: (2026)
par: Xi, Haocheng, et autres
Publié: (2026)
Residual Context Diffusion Language Models
par: Hu, Yuezhou, et autres
Publié: (2026)
par: Hu, Yuezhou, et autres
Publié: (2026)
MITRA: A Large-Scale Parallel Corpus and Multilingual Pretrained Language Model for Machine Translation and Semantic Retrieval for Pāli, Sanskrit, Buddhist Chinese, and Tibetan
par: Nehrdich, Sebastian, et autres
Publié: (2026)
par: Nehrdich, Sebastian, et autres
Publié: (2026)
Pipeline Parallelism is All You Need for Optimized Early-Exit Based Self-Speculative Decoding
par: Li, Ruanjun, et autres
Publié: (2025)
par: Li, Ruanjun, et autres
Publié: (2025)
Speculative Verification: Exploiting Information Gain to Refine Speculative Decoding
par: Kim, Sungkyun, et autres
Publié: (2025)
par: Kim, Sungkyun, et autres
Publié: (2025)
Accelerating Mobile Language Model via Speculative Decoding and NPU-Coordinated Execution
par: Chen, Zhiyang, et autres
Publié: (2025)
par: Chen, Zhiyang, et autres
Publié: (2025)
Agentic Test-Time Scaling for WebAgents
par: Lee, Nicholas, et autres
Publié: (2026)
par: Lee, Nicholas, et autres
Publié: (2026)
Speculative Decoding with a Speculative Vocabulary
par: Williams, Miles, et autres
Publié: (2026)
par: Williams, Miles, et autres
Publié: (2026)
Efficient Speculative Decoding for Llama at Scale: Challenges and Solutions
par: Tang, Bangsheng, et autres
Publié: (2025)
par: Tang, Bangsheng, et autres
Publié: (2025)
Scaling Speculative Decoding with Lookahead Reasoning
par: Fu, Yichao, et autres
Publié: (2025)
par: Fu, Yichao, et autres
Publié: (2025)
Decoding Speculative Decoding
par: Yan, Minghao, et autres
Publié: (2024)
par: Yan, Minghao, et autres
Publié: (2024)
CREST: Effectively Compacting a Datastore For Retrieval-Based Speculative Decoding
par: Ho, Sophia, et autres
Publié: (2024)
par: Ho, Sophia, et autres
Publié: (2024)
Tutorial Proposal: Speculative Decoding for Efficient LLM Inference
par: Xia, Heming, et autres
Publié: (2025)
par: Xia, Heming, et autres
Publié: (2025)
Multi-Drafter Speculative Decoding with Alignment Feedback
par: Kim, Taehyeon, et autres
Publié: (2026)
par: Kim, Taehyeon, et autres
Publié: (2026)
Speculative Contrastive Decoding
par: Yuan, Hongyi, et autres
Publié: (2023)
par: Yuan, Hongyi, et autres
Publié: (2023)
Mamba Drafters for Speculative Decoding
par: Choi, Daewon, et autres
Publié: (2025)
par: Choi, Daewon, et autres
Publié: (2025)
Closer Look at Efficient Inference Methods: A Survey of Speculative Decoding
par: Ryu, Hyun, et autres
Publié: (2024)
par: Ryu, Hyun, et autres
Publié: (2024)
HeteroSpec: Leveraging Contextual Heterogeneity for Efficient Speculative Decoding
par: Liu, Siran, et autres
Publié: (2025)
par: Liu, Siran, et autres
Publié: (2025)
Simple and Effective Input Reformulations for Translation
par: Yu, Brian, et autres
Publié: (2023)
par: Yu, Brian, et autres
Publié: (2023)
One Model is All You Need: ByT5-Sanskrit, a Unified Model for Sanskrit NLP Tasks
par: Nehrdich, Sebastian, et autres
Publié: (2024)
par: Nehrdich, Sebastian, et autres
Publié: (2024)
Multi-Candidate Speculative Decoding
par: Yang, Sen, et autres
Publié: (2024)
par: Yang, Sen, et autres
Publié: (2024)
Documents similaires
-
Squeezed Attention: Accelerating Long Context Length LLM Inference
par: Hooper, Coleman, et autres
Publié: (2024) -
KVQuant: Towards 10 Million Context Length LLM Inference with KV Cache Quantization
par: Hooper, Coleman, et autres
Publié: (2024) -
Multipole Attention for Efficient Long Context Reasoning
par: Hooper, Coleman, et autres
Publié: (2025) -
SqueezeLLM: Dense-and-Sparse Quantization
par: Kim, Sehoon, et autres
Publié: (2023) -
Learned Best-Effort LLM Serving
par: Jha, Siddharth, et autres
Publié: (2024)