来源：市场资讯
（来源：AI信息Gap）
每秒 1107 个 token vs 303 个。
同一张 H100 显卡。同一个 26B 参数架构。303 那个还开启了多 token 预测加速。
DiffusionGemma，谷歌刚刚发布的新模型，比标准版 Gemma 4 快了将近 4 倍。
它不再一个一个 token 往外蹦了。256 个 token，同时生成。
完全开源，Apache 2.0 协议。
目前主流大模型生成文字的方式，都像打字机。
一个一个 token，从左到右，前一个出来了才能生成下一个。GPT 这样，Claude 这样，DeepSeek 也这样。这种方式叫「自回归」。
但本地运行模型的时候，这种方式有个天然的瓶颈。「GPU 大部分时间在等上一个 token 算完，才能算下一个。」算力利用率低，显卡在空转。
云端可以同时接几千个用户的请求，把 GPU 喂满。但本地只有你一个人用，速度上不去。
DiffusionGemma 换了一条路。
图片模型生图，一开始都是一张噪点图，然后一步步去噪，最终变成清晰的画面。DiffusionGemma 把同样的思路搬到了文字上。
一开始，它先生成 256 个随机占位符。然后反复迭代。每一轮把已确定的 token 锁住，用它们当线索，修正剩下的。几轮下来，一整段文字就出来了。
这样一来，打字机变成了印刷机。一次能印一整版。
以前是串行，现在是并行。
以前生成 256 个 token，模型要一个一个计算 256 次。现在几轮迭代就搞定，GPU 终于不用空转了。而且因为 256 个 token 同时存在，每个 token 都能看到其他所有 token，形成了「双向注意力」。这是自回归模型做不到的。它生成第 50 个 token 的时候，第 51 到第 256 个还不存在。
「双向注意力」带来了一个实打实的好处。
你给它一段代码，中间挖掉一块，让它填。自回归模型只能从左到右一个一个猜。DiffusionGemma 能同时看到前后上下文，直接填进去。
代码补全、行内编辑、数学公式、结构化数据，这些「非线性」任务，天然适合扩散模型。
Unsloth 团队用 DiffusionGemma 微调了一个数独求解器。自回归模型解数独很吃力，因为每个数字都依赖后面还没生成的数字。扩散模型直接统筹全局，一次填完。
DiffusionGemma 速度极快。H100 上能达到 1107 tok/s，RTX 5090 700+ tok/s。
但，智商打了折扣。
MMLU Pro 研究生级知识测试，DiffusionGemma 77.6%，标准 Gemma 4 82.6%。
AIME 2026 数学推理，69.1% vs 88.3%。差了将近 20 个百分点。
LiveCodeBench v6 竞赛编程，69.1% vs 77.1%。
GPQA Diamond 科学推理，73.2% vs 82.3%。
每项都低那么一点。谷歌自己也说，这是实验性模型。需要最高质量输出的场景，还是用标准 Gemma 4。
「用速度换智商。将近 4 倍速度，八成智商。」
这笔账划不划算，取决于你用它来做什么。
实时交互、代码补全、快速迭代，1107 tok/s 的速度优势是碾压级的。
写论文、解竞赛题、做复杂推理，标准模型仍然更靠谱。
DiffusionGemma 的底座和 Gemma 4 26B 一样，总参数 26B，混合专家（Mixture of Experts，MoE）架构，推理时只激活 3.8B 参数。
量化之后占用大约 18GB 显存。
RTX 5090 32GB 没问题。RTX 4090 24GB 也装得下。
谷歌和英伟达一起做了优化，支持 NVFP4（4 位浮点）加速，消费级显卡就能跑起来。英伟达的 DGX Spark 桌面工作站也能跑到每秒 150 个 token，DGX Station 直接拉到 2000 tok/s。
Hugging Face 已经可以下载。Unsloth 发布了 GGUF 量化版本。vLLM、MLX、Hugging Face Transformers 全部支持。
DiffusionGemma 抱抱脸下载地址：https://huggingface.co/google/diffusiongemma-26B-A4B-it
谷歌的 Gemma 4 家族今年已经发布了五款模型。从手机端的 E2B 到桌面端的 31B，再到上周的无编码器 12B。
DiffusionGemma 是第六位成员，也是画风最不一样的一个。
前面五个拼的是智商。这个主打一个速度。
我是木易，Top2 + 美国 Top10 CS 硕，现在是 AI 产品经理。
热门跟贴