FBS：在Transformer内建模原生并行阅读

大语言模型（LLM）在众多任务上表现出色，但推理仍由严格的逐token自回归主导。现有加速方法大多是对该流程打补丁，遗漏了人类阅读的核心要素：内容自适应的预见、面向分块结构的算力分配，以及预览/略读的训练-测试一致性。我们提出Fovea-Block-Skip Transformer（FBS），通过旁中央凹注意力窗口（PAW）、分块头（CH）和跳过门（SG）向Transformer注入一个因果的、可训练的循环。在多样基准上，FBS在不增加参数的情况下改善质量-效率权衡，消融显示三个模块互补。