확산 대규모 언어 모델 (Diffusion large language models, dLLMs)은 마스킹된 토큰 시퀀스를 반복적으로 디노이징 (denoising) 함으로써 텍text를 생성합니다. dLLMs는 각 단계 내에서 모든 마스킹된 위치를 병렬로 예측할 수 있음에도 불구하고, 방대한 디노이징 반복 횟수로 인해 추론 (inference) 비용이 여전히 높습니다. 이러한 비용은 단계당 여러 토큰의 마스크를 해제 (unmasking) 함으로써 공간적으로 줄이거나, 여러 디노이징 단계를 하나의 검증 호출 (verification call)로 통합함으로써 시간적으로 줄일 수 있습니다. 본 논문에서는 이 두 축을 모두 따라 추론 성능을 공동으로 개선하는 학습이 필요 없는 프레임워크인 병렬 추측적 디코딩 (Parallel Speculative Decoding, PSD)을 제안합니다. PSD는 단일 순전파 (forward pass) 과정에서 얻은 신뢰도 점수 (confidence scores)를 사용하여, 구성 가능한 적응형 마스크 해제 정책 (adaptive unmasking policy)을 통해 마스크를 해제할 위치를 선택하고, 추가적인 모델 호출 없이 다중 깊이의 추측적 초안 (speculative drafts)을 생성합니다. 이후 최종 배치 검증 (batched verification) 단계에서 계층적 수락 (hierarchical acceptance)을 적용하여, 업데이트된 예측과 일치하는 가장 깊은 초안을 유지합니다. 추론 및 코드 생성 태스크에 걸친 세 가지 dLLM에 대한 실험 결과, PSD는 추론 효율성과 생성 품질 사이에서 유리한 트레이드오프 (trade-off)를 달성하며, 탐욕적 디코딩 (greedy decoding)과 유사한 정확도를 유지하면서 순전파당 최대 $5.5 imes$의 토큰을 생성함을 보여주었습니다.