簡短答案：不是，但方向值得留意
DiffusionGemma 並不是 Google 宣告 下一詞元預測 的終結。更準確的理解是，這是一個認真的 實驗性 訊號：Google 正在測試一條不同的 AI 文字生成 路徑，當中速度、並行處理，以及互動式 本地工作流程，比標準 LLM 那種大家熟悉的一次生成一個詞元的節奏更重要。
Google 將 DiffusionGemma 描述為一個圍繞 文字擴散 建構的 實驗性 開放模型。它不是嚴格由左至右產生文字，而是透過細化一塊由雜訊或佔位詞元組成的畫布來生成文字區塊。其實際承諾很簡單：如果模型能同時處理多個位置，就可以更有效地運用 GPU 運算能力，並在某些使用場景下降低 推論延遲。
但這並不代表 自回歸 語言模型明天就會被取代。Google 自己的發布文章對取捨也相當謹慎。文章表示，對於要求最高 生產質素 的應用，標準 Gemma 4 模型仍然是建議選擇。這一句很重要。DiffusionGemma 是一個注重速度的研究及開發者模型，而不是主流 LLM 範式的通用替代品。
為何下一詞元預測會成為預設方法
大多數現代聊天機械人和大型語言模型都是 自回歸 的。它們讀取提示，然後預測下一個詞元，再預測其後的下一個詞元，並持續下去，直至答案完成。這就是 下一詞元預測 背後簡單的心智模型。
它之所以成為主流並非偶然。自回歸 模型靈活、穩定，而且容易擴展。它們可以生成可變長度的文字，保持由左至右的連貫性，並在聊天、編碼、翻譯、摘要、推理和工具使用等場景中表現良好。這種方法亦自然契合書面語言展開的方式。
其弱點是延遲。逐詞元 模型存在順序依賴：第 100 個詞元依賴第 1 至第 99 個詞元，而第 101 個詞元又依賴第 100 個詞元。即使 GPU 很強大，模型仍然必須逐步走完整個序列。對於一名用戶提出一個問題的情況，由於模型要等待記憶體移動和順序解碼，大量硬件可能仍然未被充分利用。
DiffusionGemma 有何不同
DiffusionGemma 從 擴散模型 取得靈感，這是一類因影像和影片生成而聞名的生成式模型家族。擴散模型 不是一次畫出一個詞元來生成答案，而是從雜訊或不確定性開始，並逐步將其細化成連貫的輸出。
對文字而言，這代表模型可以並行處理一個詞元區塊。Google 的開發者指南描述了一個 256 詞元畫布。模型先從一塊由隨機佔位詞元組成的畫布開始，然後反覆對整個區塊去噪。模型有信心的詞元位置會成為錨點，不確定的位置則再次細化，整個區塊會逐步變得清晰。
這並不等同於一次過生成整篇長文。DiffusionGemma 對較長輸出採用 區塊自回歸 方法。一旦一個 256 詞元區塊完成細化，就會被提交到 KV 快取，然後模型會移到下一個區塊。因此，它在區塊之間仍然具有由左至右的結構，但在每個區塊內則可以同時細化多個詞元。
為何它可以更快
速度的關鍵在於硬件樽頸。傳統 自回歸 模型可能受制於記憶體頻寬，因為模型在一次生成一個詞元時需要反覆載入權重。DiffusionGemma 嘗試透過在每個區塊內給 GPU 更大的並行工作負載，將更多工作轉向運算。
Google 表示，DiffusionGemma 在專用 GPU 上可提供最高四倍更快的詞元生成速度，例子包括在單張 NVIDIA H100 上每秒超過 1000 個詞元，以及在 RTX 5090 上每秒超過 700 個詞元。這些數字並不是對每項任務、每部裝置或每種批次大小的全面承諾。它們反映的是一種特定、對硬件友好的生成模式。
這就是為甚麼 DiffusionGemma 對本機及互動式工作流程特別有趣。如果某位用戶需要快速編輯、程式碼補全、結構化草稿或快速迭代，GPU 可能有剩餘運算資源，而 自回歸模型未必能充分利用。擴散語言模型可能更適合這類低批量、對速度敏感的工作負載。
雙向注意力與自我修正的角色
其中一個最重要的差異是 雙向注意力。在去噪期間，畫布上的 token 可以關注區塊內其他位置，而不只是較早的 token。這改變了生成的感覺。模型可以利用缺失或不確定片段兩側的上下文。
這對非線性文字問題特別有用。Google 指出，行內編輯、程式碼補全、數學圖表，甚至數獨式受約束生成，都是未來位置也很重要的例子。標準 自回歸模型可以在許多任務上表現強勁，但一旦輸出早期 token，通常就會被其限制住。擴散式去噪在區塊最終確定前創造了修訂空間。
這亦是為甚麼 自我修正一詞不斷出現在 DiffusionGemma 相關討論中。模型並非單純在打字。它會反覆評估整個畫布，保留有信心的位置，替換不確定的位置，並不斷細化區塊，直至收斂。
26B MoE 設計意味着甚麼
DiffusionGemma 基於 Gemma 4 系列的 26B 專家混合設計，推理時只使用較小的活躍子集。Google 的 AI 文件將其描述為一個 26B 模型，約有 4B 活躍參數，而開發者指南則解釋，該模型在量化後設計上可符合 18GB VRAM 限制。
核心概念是效率。稀疏 MoE 模型可以擁有龐大的總參數量，同時只為特定 token 或任務啟用所選專家。這可以提升能力，而無需在每一步都啟用完整模型。
對開發者而言，這點很重要，因為 DiffusionGemma 不只是一個實驗室示範。它以開放權重模型形式發布，採用 Apache 2.0 授權，並提供 vLLM、Hugging Face、Google Cloud Model Garden 及其他部署路徑的文件。Google 顯然是在邀請生態系統測試，基於擴散的生成是否能在實際應用中變得可行。
DiffusionGemma 適合哪些場景
最佳使用場景未必是長篇高質寫作，而是用戶受惠於快速迭代的速度關鍵任務。行內編輯就是其中一個例子。與其等待模型逐個 token 重寫段落，擴散模型可以快速細化整個片段。
程式碼補全是另一個有力候選場景。開發者可能需要模型填補函數中間部分，或在理解前後文的情況下調整一段程式碼。雙向注意力在這裏很有用，因為模型可以同時推理缺失部分兩側的內容。
結構化及受約束生成亦很有趣。如果輸出有多重依賴，例如表格、謎題、範本或正式 schema，區塊細化可以讓模型有更多空間協調不同位置。這就是為甚麼 DiffusionGemma 不只是關於更快。它亦指向一種不同的生成互動方式。
自回歸模型仍然勝出的地方
取捨在於質素。Google 明確表示 DiffusionGemma 優先考慮速度和平行版面生成，而其整體輸出質素低於標準 Gemma 4。這正是它不應被描述為徹底取代 下一 token 預測的核心原因。
自回歸模型仍然有重大優勢。它們已為生產環境深度優化，在許多通用任務上表現強勁，並得到成熟的服務堆疊支援。它們亦很自然地適用於模型以穩定序列延展文字的對話流程。
現實中的未來大概不是一種解碼方法取代另一種。更可能的是，AI 系統會將不同任務路由至不同的生成策略。自回歸模型可能仍然是高質通用聊天及推理的預設選擇，而擴散語言模型則可能驅動快速編輯、本機生成、程式碼補全及其他互動式工作負載。
開發者接下來應留意甚麼
最大問題是 diffusion language model 能否在保持延遲優勢的同時收窄質素差距。如果輸出需要太多修正，單靠速度並不足夠。但如果質素有所提升，這種架構對本地 AI、IDE 助手、文件編輯及即時介面可能會變得非常重要。
第二個問題是服務基礎設施。支援 vLLM 很重要，因為 diffusion language model 需要不同的解碼行為：bidirectional attention、迭代式去噪、自訂取樣，以及區塊級提交邏輯。如果推理框架令這些變得容易，更多開發者就會嘗試。
第三個問題是產品設計。擴散文字模型不只是一個更快的聊天機械人。它的自然介面可能更像一個智能編輯器，會修改畫布、填補空白，並在原位改善草稿。這可能會改變用戶體驗 AI 寫作及編程工具的方式。
最終重點
DiffusionGemma 並不代表 Google 今日正在取代 next-token prediction。它代表 Google 正在令 text diffusion 變得足夠實用，讓開發者可在真實工作流程中測試。
重要轉變不只是更快的文字生成，而是語言生成不一定總要像模型由左至右打字一樣。有時更好的互動方式，是一塊可並行精修的畫布。
如果這種模式持續改善，AI text generation 可能會變得更快、更具互動性，並更適合本地裝置。但目前，DiffusionGemma 應被理解為一個實驗性開放模型，並帶有非常清晰的訊息：語言生成的未來可能不只包含一條解碼路徑。
快速比較
問題 | 自回歸 LLM | DiffusionGemma |
生成模式 | 按序預測下一個 token | 並行精修 token 畫布 |
優勢 | 高質素生產級輸出 | 低延遲互動式生成 |
上下文流向 | 解碼期間大多由左至右 | 在每個去噪畫布內雙向運作 |
最適合 | 一般聊天、推理、成熟服務部署 | 編輯、程式碼補全填充、快速本地工作流程 |
狀態 | 主流生產範式 | 實驗性開放模型 |
CTA
如果你正在建立 AI 產品，不要把 DiffusionGemma 視為簡單的替代模型。應把它視為一種新的生成模式，在推理延遲、本地回應速度及非線性編輯最重要的場景中測試。
對於正在建立開發者工具、寫作助手、編程工作流程或裝置端 AI 體驗的團隊來說，這是值得及早進行基準測試的架構。
常見問題
甚麼是 DiffusionGemma？
DiffusionGemma 是 Google 的實驗性開放文字生成模型，使用離散擴散以並行方式精修 token 區塊，而不是只依賴逐個 token 生成。
Google 是否正在取代 next-token prediction？
不是。Google 仍然建議使用標準 Gemma 4 以取得最高生產質素。DiffusionGemma 屬實驗性，並針對速度關鍵型工作流程作出優化。
為甚麼 DiffusionGemma 速度更快？
它在 256-token 畫布上並行運作，將更多工作轉向 GPU 運算，而不是嚴格地一次只生成一個 token。
甚麼是 256-token 畫布？
它是一個由 token 位置組成的區塊，模型會先初始化、去噪、細化，然後提交，再移至下一個區塊。
誰應該測試 DiffusionGemma？
從事本機推理、行內編輯、程式碼填補、快速起草，以及其他低延遲互動式 AI 工具的開發人員應該留意。
相關工具
- Gemma 文件
- vLLM
- Colab
- Kaggle
來源
- 開發人員指南
- Gemma 文件
- DeepMind
- HF 模型
- vLLM 網誌
- NTP 調查
