扩散语言模型写句子，像同时面对一排填空：它不仅要猜每格填什么，还要决定哪些答案可以先定稿。保守做法每轮只固定一处，质量稳，却要反复运行大模型；一次固定多处更快，又可能改变生成过程。SPOT瞄准的正是这组速度与质量的矛盾。
作者发现，真正难猜的往往不是词，而是提交顺序——哪些掩码位置（暂时留空、等待填写的地方）应当先固定。模型上一轮留下的输出分布，通常已经能提供不错的候选词，但未必能指出下一处该填哪里。SPOT因此让一个轻量草稿模型专门预测位置顺序，并把多种可能排列成候选树；主模型再用一次计算统一核验，接受与自身生成轨迹一致的最长路径。
这属于投机解码：先由便宜模型猜一批结果，再交给主模型验证。SPOT还用共享的 Gumbel 随机噪声处理非贪心采样，使树状候选在不同温度下也能精确验证，而不改变主模型原本的输出分布。作者称，它在六种扩散语言模型上都减少了主模型运行次数，且草稿模型可跨模型迁移；但所给原文中的关键加速数字缺失，因此这里不作量化判断。