Is Multimodal Speculative Decoding Ready for Diffusion-Based Parallel Drafting? A Survey and Empirical Diagnosis

投机解码的核心思路是：用一个轻量 drafter 提前"猜"出未来的 token，目标模型再并行验证，理论上是无损加速。文本 LLM 领域最新范式是把 drafter 本身也做成并行生成——即 block-parallel generative drafting，代表作是基于扩散模型的 DFlash、DSpark，能达到 3.6x 加速。但作者调研发现，现有多模态投机解码研究几乎都没有触碰这条"起草侧并行化"路线，而是聚焦在输入压缩、跨模态 adapter 对齐、候选集覆盖率、模态专属验证策略这几个正交方向上。这篇论文就是要系统回答：这条路线是否已经"ready"了？

论文提出一套统一 taxonomy，明确把 drafter 侧的并行程度，与树形候选构建（tree construction）、验证策略（verification strategy）等正交设计维度区分开——这样才能公平对比"到底是并行起草本身带来的收益，还是验证/树结构带来的收益"。分析视角有两个维度：起草并行度（drafting parallelism）与跨模态信息交互（cross-modal information interaction）。

系统梳理了 Vision-Language、Video-Language、Audio、Vision-Language-Action（VLA）四类模型架构下的投机解码工作，是目前少见的横跨这么多模态的统一视角综述。

摘要本身没有披露具体的量化结果（论文的 abs 页面只展示摘要文本，未包含图表/数值），但从论文设问方式和结构可以判断：这是一篇"泼冷水 + 指路"性质的诊断综述——先证明当前空白，再指出限制与开放挑战，为后续工作定方向，而非直接给出一个 ready-to-use 的多模态扩散起草方案。

这篇综述覆盖 Audio 与 Vision-Language-Action（VLA）两类架构的投机解码现状，这两类恰好与用户关注的全双工语音交互、具身智能方向存在交集——推理加速（尤其是起草侧并行化）直接影响实时性/延迟，是 duplex agent 实时响应能力的底层约束之一。如果后续 DuplexOmni / DuplexWorld 这类全双工系统要进一步压低延迟，这篇综述梳理的"起草并行化在 Audio/VLA 上仍是空白"这一点，值得作为潜在研究缺口关注，但目前论文本身不提供直接可用的方案。