像餐厅等客人点完菜才去仓库取食材，厨房再快，也会卡在搬运上。混合专家模型（MoE）也有类似问题：它包含许多分工不同的“专家”子网络，每次只调用少数几个；但显存放不下全部专家时，权重得临时从主机内存或存储搬回加速器，而要搬谁，通常要等路由器完成选择后才知道。
SpecPrefetch把这一步往前挪。它用轻量、逐层配置的适配器，预测下一层可能需要哪些专家，并异步预取；原有路由器仍负责最终选择，因此预测失误只影响效率，不改变模型输出。它还根据当前计算能掩盖多少传输时间来设定预取预算，避免为了提高命中率搬来过多专家，反而浪费带宽和显存。
作者在Qwen3-VL-30B-A3B和DeepSeek-VL2-Tiny上测试，并在Snapdragon 8 Elite设备的存储受限场景中报告：相比一个侧重计算优化的卸载运行时，解码吞吐量最高提升20%。代码和权重则计划在论文接收后发布。