中国电信数据发展中心双篇论文斩获“算力中国·最佳学术论文”

9月12日，2026中国算力大会发布“算力中国·大会最佳学术论文”，其中多篇论文的研究成果为业内首创，涵盖算力模型优化、绿色算力等领域，将为算力科技突破、应用赋能发挥积极作用。

来自中国科学院、清华大学、北京大学、中国电信集团等众多国内科研院校与企业为此次大会投递了相关论文。经过组委会严格筛选与评审，最终评选出十篇论文获评“算力中国·大会最佳学术论文”。 其中中国电信集团数据发展中心（天翼支付）独中两元，中国电信集团数据发展中心大数据研究院独立攻关完成的两项工作《GF-SVD：全局知识注入的大语言模型奇异值分解》、《Falcon：通过增强半自回归草稿与定制解码树实现LLM高效并行推理》入选了此次大会的“最佳学术论文”，此项荣誉充分彰显了中国电信集团数据发展中心（天翼支付）在大语言模型推理领域扎实的技术研究能力。

针对传统SVD模型压缩方法跨域泛化弱、层间信息流断裂、截断知识流失三大核心痛点，该项研究首次将层次化知识注入与 SVD 压缩结合，提出了全局知识注入的大语言模型奇异值分解压缩框架（GF-SVD）。框架搭载层次化知识注入、全局信息集成、知识增强截断更新三大核心机制：依托层次知识树构建多领域高质量数据，强化跨域泛化；加权聚合多层特征矩阵，捕捉层间依赖；借助数据集指导奇异值截断，并通过 GF-ALS、GF-AGD 算法修复精度损失。

实验表明，GF-SVD在语言建模困惑度、下游任务准确率、推理速度上全面优于现有SVD压缩方案，在不同模型规模与任务下均可稳定保持优势，为大模型轻量化部署提供全新技术路径。

针对大模型推理普遍存在的内存带宽受限、速度延迟高、推测精度不足等行业痛点，该研究提出基于增强半自回归草稿与定制解码树的投机解码框架-Falcon。框架创新性引入耦合序列扫视蒸馏（CSGD）方法，强化模型块内Token依赖、提升预测精度，同时定制适配半自回归场景的专属解码树，大幅提升多Token并行生成效率，有效解决了传统自回归解码延迟高、半自回归解码准确率低的核心痛点。

与同期的Eagle、Medusa等主流方法对比发现， Falcon的接受率比Eagle高3%–5%，比Medusa高15%–17%，在精度无损条件下实现了“2.91x–3.51x”加速。

未来，中国电信集团数据发展中心（天翼支付）将继续深耕大模型压缩、投机并行推理等前沿方向，以轻量化、高性能的大模型技术，为各类数字化业务赋能，助力大模型技术低成本、规模化应用。