Google представила DiffusionGemma-26B-A4B-it — диффузионная модель для генерации текста с 4-кратным приростом скорости

Google DeepMind объявила о выпуске DiffusionGemma — экспериментальной открытой модели объемом 26 миллиардов параметров, впервые применяющей диффузионный подход к генерации текста в семействе Gemma. Вместо последовательного вывода токенов, как это делают авторегрессионные модели вроде стандартной Gemma 4, DiffusionGemma создает целые блоки по 256 токенов за один прямой вывод, итеративно удаляя случайный шум и превращая его в осмысленный текст. Такой подход дает 4-кратный выигрыш в скорости генерации при локальном инференсе: более 1000 токенов/с на одном NVIDIA H100 и более 700 токенов/с на потребительской GeForce RTX 5090. Веса модели выложены под лицензией Apache 2.0 на Hugging Face

Новинка базируется на архитектуре Mixture of Experts с 26 миллиардами общих параметров, из которых во время инференса активны лишь 3,8 миллиарда. После квантования модель умещается примерно в 18 ГБ видеопамяти, что делает ее доступной как на мощных потребительских видеокартах, так и на полноценных ИИ-ускорителях. Основное преимущество DiffusionGemma раскрывается именно при локальном развертывании на одном ускорителе и небольшом размере пакета, тогда как в облачных системах с высоким параллелизмом авторегрессионные модели по-прежнему эффективнее утилизируют железо.

Основа DiffusionGemma-26B-A4B-it — новый диффузионный блок, разработанный на основе исследований Gemini Diffusion. Процесс генерации напоминает работу диффузионных моделей для изображений: стартовая точка — последовательность случайных токенов, затем несколько итераций очистки, на каждой из которых правильные токены фиксируются и служат контекстом для исправления остальных. Финальный проход выдает готовый блок текста. Двунаправленное внимание позволяет каждому токену взаимодействовать со всеми остальными в пределах 256-токенового окна, что дает преимущество в задачах, где результат зависит от нелинейных связей: редактирование текста, исправление кода, работа с математическими графами или последовательностями аминокислот.

Скорость модели впечатляет: более 1000 токенов/с на H100 и более 700 токенов/с на RTX 5090, что в 4 раза быстрее классических авторегрессионных моделей сопоставимого размера. Такой рывок достигнут за счет переноса декодирования с пропускной способности памяти на вычислительные ресурсы, то есть модель не простаивает в ожидании подгрузки весов, а непрерывно считает, обрабатывая сразу большой кусок текста. Пользователь видит результат как печатный станок, штампующий целые абзацы, а не как пишущую машинку, выводящую по одному символу.

Расплатой за скорость служит снижение качества генерации по сравнению со стандартной Gemma 4. В Google прямо заявляют: DiffusionGemma — экспериментальный проект, ориентированный на максимальную интерактивность локальных рабочих процессов, редактирование, быструю итерацию и нелинейные текстовые структуры; для продакшен-задач, где важна безупречная точность, по-прежнему рекомендуется использовать Gemma 4. При этом заложенный в модель механизм итеративной самокоррекции — она видит весь блок целиком и правит ошибки в реальном времени, что частично компенсирует потери качества, а тонкая настройка под конкретную область способна вывести результат на конкурентный уровень.

Веса модели уже доступны на Hugging Face. Разботать с нейронкой можно через MLX, vLLM с поддержкой от Red Hat, Hugging Face Transformers, а скоро и через llama.cpp. Для любителей тонкой настройки Google опубликовала руководство по файнтюну с использованием Hackable Diffusion — модульного набора на JAX, спроектированного для компонуемости. Особый акцент сделан на оптимизации под ускорители NVIDIA: модель поддерживает 4-битное квантование NVFP4, которое повышает производительность вычислений без заметной потери точности, и протестирована на потребительских GeForce RTX 5090 и 4090, корпоративных Hopper и Blackwell, включая десктопные системы DGX Spark и DGX Station, а также на RTX PRO для AI-специалистов.

DiffusionGemma — первая масштабная попытка перенести диффузионную генерацию с изображений на текст без оглядки на традиции авторегрессии, и этот эксперимент вполне можно назвать удачным: 1000+ токенов в секунду на H100 и 700+ токенов в секунду на RTX 5090 обеспечивает далеко не каждая классическая LLM. Конечно, модель не заменит классические LLM, но она открывает нишу, где время отклика критичнее максимальной точности: живые редакторы кода, инструменты для совместной работы в реальном времени, генерация нелинейных структур. Полностью открытая лицензия дают сообществу карт-бланш на исследование и доработку, а тесная интеграция с экосистемой NVIDIA и популярными фреймворками превращает новинку в готовый инструмент для некоторых продакшн-сценариев.