让 AI 写下一段话，常规做法像逐字接龙：每生成一个 Token——可以理解为一个词或词片段——才能继续下一个，很难把计算并行起来。投机解码会先让较便宜的“草稿模型”猜一段，再交给正式模型批量核验；DARTree 更进一步，不只押一条草稿，而是一次铺开多条树状分支，增加连续猜中的机会。
难点是，扩散式草稿模型虽能同时猜出一整块 Token，各位置却未必充分参考同一路径前面已经选了什么。DARTree 用已有的自回归校正头——沿候选路径补回前后依赖的小模块——按树的深度成批评估多个分支。它先并行长出一棵固定宽度的“大树”，最后再统一剪成供正式模型核验的小树，避开逐节点扩展带来的串行等待，而且无需额外训练。
作者报告，在七个数学、代码和对话基准、四种模型与温度设置中，该方法平均接纳长度和加速均为最高；单轮最多接纳 12.97 个 Token，较 DFlash 多 98.6%、较 Domino 多 27.9%，相对本地实测的常规自回归解码最高加速 9.73 倍，同时保持目标模型原有输出分布。