像办公室只给正在使用的房间开灯，模型也可以只计算眼下重要的部分。Prox瞄准的是前馈网络（FFN）——Transformer每层中进一步加工词元、又消耗大量计算和内存传输的模块。它先便宜地预判哪些通道值得保留，再跳过其余计算，而且不用重新训练或微调模型。
关键在于，Prox不追求算准每个通道的中间结果，只需排出重要性次序，生成一张“保留名单”。第一阶段利用稀疏输入和量化后的代理权重——以较低精度保存的近似参数——估算SwiGLU两条计算分支，共同选出通道；第二阶段再用原始权重精确计算入选部分，并让三个投影共享同一名单，避免近似误差继续累积。
论文的理想化实验显示，若按精确中间状态选通道，在跳过70% FFN通道时，多数受测模型的相对困惑度增幅低于3%；困惑度是衡量模型预测文本有多“吃力”的指标，越低通常越好。作者称，低成本代理能较好保留这套排序，并在10个模型、6个模型家族上优于其他训练外基线。实际收益仍取决于近似名单能否稳定选对通道。