add pic.

Author: wtmlon

examples/best_practices/GLM-4.5/readme.md

@@ -6,11 +6,15 @@
 - 推理适配：仅支持**1步投机解码**，无法直接支撑多步递归预测，多步推理时需依赖模型递归调用，接受率与效率较低。
 - 训练定位：作为多步 MTP 的基础热启模型，快速搭建 MTP 训练基线。
 
+<div align="center">
+   <img width="1634" height="880" alt="image" src="https://github.com/user-attachments/assets/9ec83d65-5423-4ecc-9b6e-5a8ef1b0cdc3" />
+</div>
+
 ### 1.2. 多步 MTP（Multi-Step MTP）
-多步 MTP 是模型在单次前向传播中，**递归预测未来 N 个 token**（如3步）的模式，通过级联 MTP 模块实现因果预测。
+多步 MTP 是模型在单次前向传播中，**只使用一层 MTP 权重, 递归预测未来 N 个 token**（如3步）的模式，通过级联 MTP 模块实现因果预测。
 - 核心机制：第1步 MTP 预测 t+1，第2步基于第1步输出预测 t+2，第3步基于第2步输出预测 t+3，保持序列逻辑连贯。
-- 推理适配：直接支持**N 步投机解码**，无需额外递归调用，提升接受率与生成速度。
-- 训练收益：投机解码从1步预测变为3步预测，平均接受长度显著提升。
+- 推理适配：直接支持**N 步投机解码**，提升接受率与生成速度。
+- 训练收益：投机解码从1步预测变为 N 步预测，平均接受长度显著提升。
 
 ### 1.3. 单步 vs 多步 MTP 核心对比
 | 维度 | 单步 MTP | 多步 MTP |