hao-ai-lab/jetspec 是一个 LLM 推理项目，它将 speculative decoding（先生成草稿 token，再通过验证予以确认，从而一次性推进的技术）扩展到树形草稿。最新提交（673267e）于 2026 年 10 月 30 日合并，对应 PR #33，改动仅涉及文档而非代码。它按章节重新编排了 README，并在方法与引擎目录中新增了 AGENTS.md。改动共涉及 8 个 markdown 文件，新增 207 行、删除 219 行。
README 被重新编排为：顶部链接（论文 arXiv 2610.19792、项目网页、Hugging Face 模型）、概述、支持模型、快速开始、评估和代码。原本折叠隐藏的 JetSpec 与 JetSpec++ 说明被展开，代码部分则分别链接到作为 torch 参考实现的方法实现，以及在 2 个 GPU 上运行的推理引擎各自的 README。评估部分不再重复论文的 Table 3，而是指向 bench/jetspec_plus_plus/reproduce_paper_results.md 指南。该指南说明了主机文件、协议以及其他基线。
快速开始部分新增了一句写明数值适用条件的表述。输出吞吐量是在新引擎上处理单个短提示词所得的数值，因此文中提示若要查看固定基准，请使用 bench 中的 speedup.py。README 说明：在 2 台 GB200 上，相比自回归解码最高可达 7.45 倍，相比 DSpark 达 1.54 倍，最高 1,361 token/秒；7 个基准测试上的接受长度在温度 0 时平均每轮 8.94 token（DSpark 为 6.89）。
不过，这次提交全部是文档整理。性能数值是从论文 Table 3 搬过来的，并非此次变更重新测量的结果，解码行为也没有改变。入口与目录说明变得更易读了，但对速度主张的独立验证依然缺失，而且需要 README 所假定的 GB200、B200 硬件。与其说是值得重新尝试的新东西，不如说是一次值得跟随的整理。