AI寫作工具 - Diffusion Gemma (Google AI)是什麼? 好用嗎? 評價?

Diffusion Gemma (Google AI)

Diffusion Gemma AI 介紹：Google 以文本擴散技術實現四倍加速的開源模型

Google DeepMind 於 2026 年 6 月 11 日正式推出 DiffusionGemma，這是 Gemma 家族的新成員，也是首款專注於文本擴散（text diffusion）技術的開源實驗性模型。 它不採用傳統自回歸模型逐個生成 token 的方式，而是透過從噪聲逐步去噪的機制，一次性生成整段文本，在本地推理速度上較傳統模型提升 4 倍。

 

從圖片擴散到文本擴散

DiffusionGemma 的核心創新在於把原本是圖片生成領域的擴散模型（Diffusion Model）技術應用於語言模型。 傳統擴散模型用於生成圖片時，會從隨機噪聲開始，經過多次迭代去噪，逐步將噪聲轉化為清晰圖像。 DiffusionGemma 則是把這個過程用於文字生成，去噪後的結果不是圖片，而是整段文字。

這種設計與傳統自回歸大語言模型有根本差異。自回歸模型像打字機一樣，逐個預測下一個 token；而 DiffusionGemma 像印刷機一樣，一次性鋪開 256 個 token 的畫布，從隨機噪聲出發，經過多輪去噪，讓整段文字同時浮現。

 

Diffusion Gemma 技術架構重點

DiffusionGemma 的總參數量為 26B（25.2 億），屬於混合專家（Mixture of Experts, MoE）模型，但在推理時只激活 3.8B 參數。 這種設計讓它在性能與效率之間取得平衡。量化後僅需 18GB 顯存，意味著一張 NVIDIA RTX 4090 或 5090 就能在本地運行。

它採用雙向注意力機制（bi-directional attention），每個 token 在生成時可以關注段落內所有其他 token。這與傳統自回歸模型只能看前面 token 的單向注意力不同，為非線性生成任務帶來明顯優勢。

 

Diffusion Gemma 生成速度與性能指標

DiffusionGemma 最突出的優勢在於生成速度。 在單張 NVIDIA H100 GPU 環境下，它每秒可生成超過 1000 個 token；在 GeForce RTX 5090 上則超過每秒 700 個 token。 整體速度約為同等運行條件下自回歸模型的 4 倍。

官方數據顯示，它每次前向傳播可並行生成 256 個詞元，採樣速率達到每秒 1479 個 token，单次生成耗時僅 0.84 秒。 這種速度優勢讓它特別適合對延遲敏感的本地交互工作流。

在數學推理方面，DiffusionGemma 在 AIME 2025 測試中得分 23.3%，超越對比模型的 20.0%，展現出擴散架構在推理任務上的潛力。 不過，在科學推理與高難度綜合推理測試中，它仍落後於主流對比模型，顯示這方面還有提升空間。

 

Diffusion Gemma 智能自修正能力

DiffusionGemma 支持迭代優化，能在生成過程中主動糾正錯誤。 模型會迭代地優化自己的輸出，允許它一次性評估整個文本塊，完美完成複雜格式閉合并即時修正錯誤。

這種智能自修正（intelligent self-correction）能力讓它的輸出更加穩定一致。 模型可以評估整段文本的全局邏輯一致性，這是傳統自回歸模型的弱項，因為後者只能基於前面已生成的內容逐個預測。

 

Diffusion Gemma 硬體適配與 NVFP4 支援

DiffusionGemma 的架構設計充分釋放 NVIDIA GPU 的並行計算性能。 除了 H100 與 5090，它在 DGX Spark 設備上速率為每秒 150 個 token，在 DGX Station 設備中則可達每秒 2000 個 token。

更關鍵的是，它原生支援 NVIDIA 新推出的 NVFP4（4-bit 浮點數）格式，這在 Blackwell GPU 上能大幅加速計算吞吐量，讓模型以更快的速度運行同時保持近乎無損的準確度。

 

Diffusion Gemma 應用場景

Google 明確將 DiffusionGemma 定位於研究人員和開發者，而非直接替代現有生產模型。 它的目標用例集中在對速度敏感的本地交互工作流，包括：

• 即時文本編輯：雙向注意力與並行生成讓它在線上編輯（in-line editing）場景表現優異

• 快速內容迭代：每秒 1000+ tokens 的生成速度適合需要快速多輪迭代的內容創作

• 非線性文本結構生成：例如代碼填充（code infilling）、數學圖形構建等

• 生物序列生成：氨基酸序列生成等非傳統語言任務

• 實時互動 AI 應用：開發者構建低延遲本地工作流時的新技術路徑

 

Diffusion Gemma 開源與開放使用

DiffusionGemma 採用 Apache 2.0 許可證開源發布，這意味著它允許商業使用，開發者可自由下載模型權重並進行二次開發。 模型權重可在 Hugging Face 平台直接下載。

官方表示，DiffusionGemma 的能力與其他 Gemma 4 模型相當，但推理效率顯著更高。 這種定位讓它成為 Gemma 家族中專注於速度的實驗性分支。

 

Google 高層觀點

Google CEO 桑德爾·皮查伊（Sundar Pichai）表示：「DiffusionGemma 是一款開放的實驗性模型，它把我們的文本擴散研究帶到了 Gemma 4 上。速度像賽馬一樣快：通過一次性生成整塊文本，而不是逐 token 預測輸出，推理速度最高可提升至 4 倍。」

這段話清楚點出兩個關鍵：一是它仍屬實驗性模型，二是速度是核心賣點。

 

Diffusion Gemma 基礎研究源流

DiffusionGemma 建立在 Gemma 4 家族業界領導的「每參數智能水平」之上，同時吸收了 Gemini Diffusion 的前沿研究成果。 Google DeepMind 先前已推出 Gemini Diffusion，這是探索語言模型中擴散技術意義的研究模型，目標是給用戶更大的控制權、創造力與生成速度。

DiffusionGemma 引入了全新的擴散式輸出頭（diffusion output head），目標很明確：盡可能提高生成速度。

 

Diffusion Gemma 市場與產業意義

DiffusionGemma 的推出，反映了生成式 AI 正在從單一架構走向多架構探索。 過去自回歸模型主導大語言模型領域，但現在擴散模型正被證明在特定場景（如速度敏感、非線性生成、即時編輯）具有不可替代的優勢。

對開發者而言，這意味著可以根據任務需求選擇不同架構。如果你的應用需要極低延遲、即時反饋或大量並行生成，DiffusionGemma 提供了一條新的技術路徑。

對本地 AI 應用而言，18GB 顯存就能運行 26B MoE 模型，這讓更多消費級 GPU 設備（如 RTX 4090）能夠支持高品質文本生成，為端側與本地 AI 應用優化提供了新路徑。

 

Diffusion Gemma 與傳統模型的對比

特性	自回歸模型	DiffusionGemma

特性	自回歸模型	DiffusionGemma
生成方式	逐 token 預測	並行生成 256 tokens
注意力方向	單向（只看前面）	雙向（可看所有）
推理速度	標準	快 4-5 倍
錯誤修正	生成後才能修正	生成過程中可迭代修正
顯存需求	依模型而定	量化後 18GB
主要優勢	通用性強	速度與非線性任務

 

結語

DiffusionGemma 的出現，展示了 Google 在文本擴散技術上的實力，也為開發者提供了另一種架構選擇。 它把原本用於圖片生成的擴散模型遷移到語言模型，實現了 4 倍以上的速度提升，同時保持與 Gemma 4 相當的整體能力。

雖然在科學推理與高難度綜合推理方面仍有提升空間，但它在數學推理、即時編輯、代碼填充等場景展現出擴散架構的獨特優勢。 對需要低延遲、本地運行的 AI 應用來說，這是一項值得關注的技術突破。

隨著 NVFP4 格式與 Blackwell GPU 的支援，未來這類擴散語言模型可能成為實時互動 AI 應用的重要基礎。 對內容創作者、開發者與研究人員而言，DiffusionGemma 的開源與開放使用，讓更多人能參與到這一技術的探索與應用中。

立即試用