本文针对使用贪婪解码、宽松接受规则或基于树的候选集的投机解码机制，构建了一套理论，这与现有文献中研究的随机分布保持设置不同。作者将拒绝区域表征为目标分布的下水平集，从而推导出精确的 KL 散度要求以及各种接受标准的锐利基于边界的界限。

  • 针对严格贪婪解码、加法和乘法宽松接受、top-(m) 宽松标准以及基于熵阈值的接受，表征了精确证书和基于边界的界限。
  • 将该框架扩展至贪婪树解码，推导了当目标贪婪 token 仍被起草者的 top-(m) 候选集覆盖时的精确证书和仅基于边界的证书。
  • 在 Qwen3 模型上评估这些证书，表明宽松和基于树的标准显著扩大了认证接受区域，特别是在目标模型分布边界较低的情况下。

这些结果通过表征实际推理系统中常见的确定性局部接受事件，补充了现有的分布保持分析。