谷歌开源26B参数DiffusionGemma：扩散模型生成文本，速度比自回归模型快4倍
谷歌发布开源扩散语言模型DiffusionGemma，26B参数，通过噪声生成文本而非逐token预测。英伟达测试显示单张H100可达1000 tokens/s，速度是自回归模型的4倍，但输出质量较低，目前作为实验工具面向开发者。
一句话看懂
谷歌发布26B参数的DiffusionGemma，用扩散方式生成文本，速度比传统自回归模型快4倍，但质量略低，目前作为实验性开源模型供开发者试用。
详细发生了什么
谷歌发布了DiffusionGemma，一个拥有260亿参数的开源语言模型。与GPT、Gemma等逐token预测的自回归模型不同，DiffusionGemma采用扩散方法生成文本：从一个随机噪声序列开始，通过多步去噪逐步形成连贯的文字，原理类似Stable Diffusion等图像生成模型。
英伟达的测试数据显示，在单张H100 GPU上，DiffusionGemma每秒可生成约1000个token，速度大约是同等规模自回归模型的4倍。然而，速度提升的代价是输出质量有所下降。谷歌明确将其定位为实验性工具，主要面向开发者探索扩散模型在文本生成中的潜力，而非替代现有生产级模型。
中文圈视角
DiffusionGemma对中文开发者意味着什么？首先，模型已开源，但谷歌的Gemma系列通常对中文支持有限，且需要自行部署。国内用户若想体验，需要访问Hugging Face或GitHub下载权重，可能面临网络限制。
国产替代方面，目前国内尚无类似的扩散语言模型开源发布。智谱GLM、阿里Qwen、DeepSeek等主流模型均为自回归架构。DiffusionGemma的独特思路值得关注：如果未来有国内团队基于类似架构优化中文能力，可能在实时翻译、语音助手等低延迟场景获得优势。
监管层面，开源模型可本地部署，数据不出境，合规风险较低。但模型质量目前不如自回归模型，中文生成效果可能更差，短期内实用价值有限。
几条值得记住的细节
- 模型参数：26B，属于中等规模开源模型。
- 速度：单张H100 GPU上约1000 tokens/s，是同等自回归模型的4倍。
- 质量：输出质量低于自回归模型，谷歌定位为实验性工具。
- 开源：权重和代码已发布，可在Hugging Face获取。
- 适用场景：适合对延迟敏感、对质量要求不高的任务，如实时文本补全、简单对话。
一句话总结
DiffusionGemma展示了文本生成的新路径，速度快但质量妥协，中文开发者可关注其开源代码，但短期内难以替代现有模型。