循环语言模型像让同一位编辑反复审一段文字：不用多请人，却要多轮排队。它让同一组网络层反复处理内部状态，以共享参数换取更深计算；代价是生成每个 token（可理解为词或字的片段）都要顺序运行多次，拖慢回答。WaveFront Decoding（WFD）瞄准的正是这段等待时间，而且无需重新训练模型。
它利用中间轮次的输出先猜后续 token，再用完整轮次验证。关键不只是“推测解码”——先便宜地提出候选、再集中核验——而是把不同位置、不同计算深度的状态排成一条斜向推进的“波前”：较浅的计算继续起草新位置，较早的位置同时走向完整验证。由于循环模型共享权重，这些工作可以塞进同一次批量计算；猜错时，再用完整深度的结果纠正。
作者称，在 Spec-Bench 六类任务上，WFD 相比逐 token 的自回归解码，在 Ouro-2.6B 和 Huginn-3.5B 上分别加速 2.42 倍和 3.54 倍；加入跨循环 KV 共享、减少中间状态搬运后，Huginn-3.5B 达到 4.81 倍。值得关注的是，它为“省参数但多步骤”的循环架构补上了推理加速的一环；这些效果目前仅据作者材料，实际收益仍取决于候选命中率与并行开销。