写文章时，先把草稿交给昂贵的主编逐句检查，未必划算；让便宜的助手先多改几轮，可能更省时间。两项新工作都把这个思路用在投机解码上——小模型先写一串 Token（模型处理文字的基本单位），大模型再统一验证；草稿连续获批得越长，验证成本通常越低。
DLoop 发现，草稿模型变强后，大模型常会整段接纳，但系统仍固定在每轮草拟后验证。它改为看草稿模型是否仍有信心：有信心就继续起草，积累多轮结果后一次验收；训练时还让小模型适应基于“尚未验证内容”继续工作。作者称，该方法用于 EAGLE-3、DFlash 等多种方案时，在保持无损解码的前提下，实际耗时加速提高 5% 至 41%。
D-Loop 针对另一种毛病：块扩散模型一次并行写多个 Token，各位置看不到邻近位置的新提议，容易重复同一个词。它复用原模型跑第二遍，保留选定前缀，再据此前缀并行重写后半段，不增加模型组件。两条路线共同说明，竞争焦点正从“草稿一次写多少”，转向“送审前能否把草稿写得更可靠”。