像编辑审稿：助理先快速起草，主编不必逐字重写，只要划定偏离底线，并重点纠正不靠谱的部分。Mentored Decoding把这套思路用于投机解码——先由轻量草稿模型生成词元，再让大模型批量检查。传统方案要求最终输出严格服从大模型，草稿能被采纳多少因此存在上限；它则允许输出适度偏离，争取更高采纳率和更低延迟。
论文最值得注意的结论是：对一大类衡量两种输出差异的指标，最优结果都沿着一条从大模型分布通往草稿模型分布的路径移动，而且这条路径不随具体指标改变。作者还证明，在传统投机解码的起点附近，提高草稿采纳率所增加的偏离成本最初近乎为零。换句话说，严格复刻大模型未必是最划算的边界，稍微放宽就可能换来可观的提速空间。
所谓“导师”，来自Boosting——让后来的学习者重点纠正前面的错误。论文据此分析两个模型何时能互补，甚至让组合输出优于目标大模型；不过这篇工作的核心是形式化证明与算法分析，材料未提供端到端速度或质量实验数字。