熵感知解码：自适应信息驱动分支

大型语言模型的生成质量高度依赖解码策略。现有采样或搜索方法存在路径单一或计算冗余的局限。本文提出熵感知解码（EDEN），一种即插即用、模型无关的框架，能根据模型不确定性自适应分配计算资源。该方法在每一步估计输出令牌分布的熵，并据此单调调整分支因子：在高熵区域扩展更多候选，低熵区域则趋向贪婪路径。实验表明，EDEN 在数学推理、代码生成等复杂任务中，相比现有策略显著提升了输出质量，实现了更优的准确率与计算开销平衡。