模型训练时，会拿真实文本练习接写：根据前文，预测紧接着的下一个文字小块，再和原文对比，用偏差来调整网络。

在这个基础上，还可以多加一道题：预测更后面一个位置的内容。这样训练时就多了一个要求，眼前学到的信息，还得能帮着接上后面的展开。

常见的做法，是在原有网络之外另加一个专门的预测模块来做这道题。
ECHO不一样，它让原本就参与生成的最后一层网络再用一次，直接承担更后面一步的预测。
这样，这个预测目标训练的就是原有的生成网络本身，也省掉了独立的预测网络层。

在我看来，这一步对数学推导和代码生成尤其有价值。推导时，当前这一步要接得上后面的步骤；写代码时，前面的定义也要接得上后面的使用。

生成阶段，同一层网络还可以先起草后续内容，再交给完整模型核对，用来给生成加速。