6月11日新闻，，谷歌DeepMind宣布DiffusionGemma，，Gemma开放权重模子家族的新成员。。。。。。它不沿用主流谈天机械人的自回归蹊径，，而是借鉴图像扩散模子的思绪并行天生和修正文本，，换来更快的外地推理速率。。。。。。

DiffusionGemma总参数约260亿，，接纳混淆专家架构（MoE），，支持多模态输入、文本输出。。。。。。谷歌称，，在专用GPU的低延迟外地推理场景下，，其文本天生速率最高可比古板自回归模子快约4倍：单张NVIDIA H100凌驾1,000 token/秒，，GeForce RTX 5090上凌驾700 token/秒。。。。。。

不再逐字天生，，而是铺出再修正

大都谈天机械人按顺序天生文本：前一个token出来后才华展望下一个，，用户看到的是一行字逐步往外跳。。。。。。DiffusionGemma的做法更靠近图像扩散模子——先用占位符铺出一段文本，，再经多轮修正逐步获得最终效果，，一次最多可并行处理256个token。。。。。。硬件算力够用时，，天生速率因此显着提高。。。。。。

对外地AI使用者来说，，这意味着：隐私敏感、网络不稳固或需要低延迟的场景，，可以更多依赖本机显卡完成文本天生，，不必把所有请求都发到云端。。。。。。

260亿总参数，，推理时只激活38亿

DiffusionGemma不是一个极小模子，，但混淆专家架构让每次推理只激活约38亿参数。。。。。。谷歌称这使它有时机在18GB显存级别的GPU上运行，，门槛低于完整加载一律总参数的麋集模子。。。。。。

谷歌把DiffusionGemma放进Gemma开放权重系统，，延续了用可外地安排模子争取开发者生态的战略。。。。。。

速率优势明确，，文实质量仍待自力验证

扩散文本模子不是第一次泛起。。。。。。它恒久未成为主流蹊径，，要害原因是自然语言比图像更依赖语法顺序、上下文连贯和事实约束。。。。。。天生得快，，不即是写得稳。。。。。。

DiffusionGemma证实晰扩散蹊径可以在开放权重文本模子上跑出显着速率优势。。。。。。它能否在长文本、重大问答和事实准确性上靠近主流自回归模子，，还需要更多自力评测给出谜底。。。。。。（易句）

（本文由AI翻译，，网易编辑认真校对）