EAGLE
Decodifica speculativa che indovina le feature interne del modello anziché il token successivo, cosa che si rivela considerevolmente più facile da fare bene.
L'osservazione alla base del metodo è che la sequenza degli stati nascosti del penultimo livello è molto più regolare della sequenza dei token, la quale contiene una casualità genuina introdotta dal campionamento. EAGLE addestra quindi una piccola rete a prevedere il vettore di feature successivo, fornendole anche con un passo di anticipo il token già deciso, per eliminare l'incertezza su come sia andato il campionamento. Il successivo EAGLE-2 rende dinamico l'albero di bozza lasciando che sia la fiducia del modello stesso a decidere quanto ramificare, mentre EAGLE-3 abbandona la previsione delle feature in favore della previsione diretta dei token con fusione multilivello. Da allora il metodo guida i confronti su Spec-Bench.