Mythos阴影里谷歌悄悄发模型DiffusionGemma，速度暴涨4倍

别再只盯着“AO”两家的新模型大战了！

就在刚刚，谷歌闷头干了件大事：

把生成图片的扩散模型，拿来写文字了，而且一出手就是4倍加速。

新模型名为DiffusionGemma，它直接抛弃了传统自回归那套“逐Token生成”的打字机模式，而是像“印刷机”一样工作——

一次铺开256个token的“画布”，从随机噪声出发，多轮去噪，整段文字同时浮现。

靠这套新模式，DiffusionGemma在生成速度方面交出了亮眼的成绩：

单块H100上每秒1000+ tokens，消费级RTX 5090上700+，比同规格自回归模型快了4倍。

更关键的是，这个26B参数的MoE模型，推理时只激活3.8B参数，量化后18GB显存就能装下。

翻译过来就是，一张4090就能本地跑。

目前DiffusionGemma采用允许商用的Apache 2.0开源协议，权重可在Hugging Face直接下载。

天下武功，唯快不破

说到这估计大家都明白了，DiffusionGemma身上最大的标签无疑就是“快”。

有多快呢？成绩单说话。

在同一块H100上（fp8，batch size=1），DiffusionGemma跑出了1000+ tokens/s，而采用标准自回归的Gemma 4 26B A4B加上MTP加速也只有300+ tokens/s——

速度拉开近4倍。

而要理解DiffusionGemma为什么快，咱得先说说当前大模型为什么“慢”。

今天的主流大模型，不管是GPT、Claude还是Gemini，底层都是自回归架构——就像一台打字机，从左到右，一个token一个token地敲出来。每生成一个新词，都要重新加载一遍几十亿参数的模型权重。

在云端，这不是大问题。服务器可以同时处理上千个用户请求，把硬件利用率拉满。

但如果你在本地跑模型，场景就完全不同了——

只有你一个人在用，GPU的大量算力其实在空转，等着一个字一个字地往外蹦。

工程师管这叫“内存带宽瓶颈”（memory-bandwidth bound）。

而为了解决这一问题，DiffusionGemma就盯上了扩散模型。

回想一下，扩散模型在生成图片时，是不是直接对整张图的所有像素同时去噪——

没错，其工作方式就是一次性对一整块token同时操作，天然“并行”。

这意味着GPU一次性接到一大块并行计算任务，Tensor Core火力全开，不再干等。计算瓶颈从“内存搬不过来”变成了“算力够不够”，而算力恰恰是GPU最不缺的东西。

具体到DiffusionGemma，原理和Stable Diffusion一样，只不过去噪得到的不是图片，而是文字。

Step 1：铺开一张全是随机占位符的256个token的画布。Step 2：多轮迭代去噪，高置信度的token先锁定，再用它们当上下文线索去修正其余部分。Step 3：整段文字收敛为最终输出。

用谷歌自己的比喻，这是从单线程的打字机，升级成了整版印刷的印刷机。

看看下面这个Hugging Face制作的DiffusionGemma文本到3D SVG演示，可以直观感受逐步生成的过程——

模型不是从第一行代码写到最后一行，而是整块SVG代码同时浮现、同时修正，最终收敛成一把完整的3D宝剑。

双向注意力：不止是快

速度之外，DiffusionGemma身上还有一个点值得关注：双向注意力。

传统自回归模型只能往前看，模型在生成第N+1个token时，只能看到第1到第N个token，看不到自己还没写出来的未来内容。

而DiffusionGemma的256个token同时生成，每个token都能看到画布上所有其他token，前后文同时可见。

这就带来了一个自回归模型很难做到的能力——实时自我纠错。

模型边生成边评估整段文字的一致性，发现不对立刻修正，不用等全写完再回头改。

这里谷歌举了个直观例子：数独。

数独本质是“后面的数影响前面的数”，自回归模型由于只能往前看，所以做起来极痛苦。

但DiffusionGemma微调后成功率从0%飙到80%。

所以，如果未来接触到代码补全、行内编辑、复杂markdown格式化……这些“需要前后文同时协调”的场景，扩散模型无疑更有结构性优势。

谷歌CEO皮猜：DiffusionGemma是一匹“赛马”

不过这也并不是说扩散模型就千好万好。

其最大局限在图像生成领域也已得到验证，那就是速度和质量的平衡——

去噪步数越少速度越快，但质量越差；步数越多质量越好，但速度优势也就越小。

质量方面，和同参数量的Gemma 4 26B A4B相比，DiffusionGemma在多项基准上确实存在差距。

谷歌也很坦诚，生产环境推荐标准Gemma 4，DiffusionGemma面向的是速度敏感的本地交互场景。

所以，或许正如谷歌CEO皮猜所言，DiffusionGemma目前更像一匹“赛马”——

先把速度提起来。

它目前只是谷歌对下一代模型形态的一次实验：

如果不再执着于一个token一个token往外生成，而是让模型充分利用现代GPU的并行算力，大模型的速度上限究竟还能被推到多高？

而且说实话，谷歌也不是第一个尝试验证这条路线的人。

早在今年2月，初创公司Inception Labs就发布了扩散文本模型Mercury 2，号称比Claude、Gemini快5到10倍，是业内第一个真正投产的扩散语言模型。

谷歌自己去年I/O上也展示过Gemini Diffusion实验，当时采样速度达到每秒1479 token，但之后沉寂了一整年，外界一度猜测“跑不起来”。

直到现在，DiffusionGemma卷土重来，并且NVIDIA从RTX到H100全线给它护航——

4090到H100到DGX Spark全覆盖，vLLM、MLX、Unsloth、NeMo全部支持，llama.cpp也在路上。

只能说，嘴上说着“实验性”，身体却很诚实。

谷歌这次给DiffusionGemma配上的资源和生态支持，显然不是来做技术Demo的。

从模型到推理框架，再到硬件生态，DiffusionGemma已经拿到了足够多的支持。

至于它最终能不能挑战自回归模型的主流地位，现在还没人知道。

但至少，谷歌把这条路真正开源了。

HuggingFace：

https://huggingface.co/unsloth/diffusiongemma-26B-A4B-it-GGUF

使用指南：

https://unsloth.ai/docs/models/diffusiongemma

参考链接：

[1]https://blog.google/innovation-and-ai/technology/developers-tools/diffusion-gemma-faster-text-generation/

[2]https://x.com/googlegemma/status/2064741002204545467[3]https://x.com/sundarpichai/status/2064744343743922189

文章来自于"量子位"，作者 "一水"。