多模态投机解码已为基于扩散的并行起草做好准备了吗？一项综述与实证诊断

投机解码通过让轻量起草模型提出未来令牌、同时由目标模型并行验证来加速自回归生成。其无损保证催生了一系列推动起草模型自身走向并行生成的工作。最新的范式是块并行生成式起草，包括DFlash、DSpark等基于扩散的方法，在常见日常对话任务上取得最高3.6倍的加速。虽然这一转变在纯文本LLM中已被充分研究，但其在多模态模型上的适用性仍是开放问题。现有多模态投机解码工作集中于输入压缩、适配器对齐、候选覆盖或模态特定验证；然而块并行生成式起草在很大程度上尚未被探索。为弥合这一空白，本文将面向模态的综述与跨架构实证研究结合起来，发问：多模态投机解码已为基于扩散的并行起草做好准备了吗？在这项综述中，我们从起草并行度与跨模态信息交互两个视角，系统分析了广泛的多模态模型，涵盖视觉-语言、视频-语言、音频以及视觉-语言-动作（VLA）架构。我们引入统一分类法，将起草端并行度与树构建、验证策略等正交设计选择分离。此外，我们在OCR、VQA、视觉推理与图像描述等标准化多模态基准上，对现有方法在不同并行度下进行了全面的实证比较。最后，我们总结现有方法的局限，讨论开放挑战，并勾勒这一快速发展领域的未来方向。