2026年6月10日

|

6分钟阅读

我们最新的开放实验模型在专用GPU上推理速度提升高达4倍,为探索速度关键型交互式本地工作流打开了大门。


Brendan O'Donoghue

研究科学家

Sebastian Flennerhag

研究科学家


图片1:DiffusionGemma

今天,我们推出DiffusionGemma,一个探索文本扩散的实验性开放模型,这是一种异常快速的文本生成方法。该模型采用Apache 2.0许可发布,是一个260亿参数的混合专家(MoE)模型,超越了典型自回归大语言模型(LLM)逐token顺序处理的方式。相反,它同时生成整个文本块,在GPU上实现高达4倍的文本生成速度。

基于我们Gemma 4系列行业领先的每参数智能水平以及前沿的Gemini扩散研究,DiffusionGemma集成了一个旨在最大化生成速度的新型扩散头。虽然自回归的Gemma 4模型仍是高质量生产输出的标准,但DiffusionGemma专为探索速度关键型交互式本地工作流的研究人员和开发者设计,例如内联编辑、快速迭代以及生成非线性文本结构。

为开发者解锁新价值

构建实时交互式AI应用的开发者常常面临本地推理的延迟瓶颈。DiffusionGemma直接应对这些挑战,并伴随一些关键权衡:

  • 极速推理: 通过将解码瓶颈从内存带宽转移到计算,DiffusionGemma在专用GPU上生成token的速度提升高达4倍。(在单个NVIDIA H100上每秒超过1000个token,在NVIDIA GeForce RTX 5090上每秒超过700个token)。1
  • 可访问的硬件占用: 作为一个总参数量260亿的混合专家(MoE)模型,推理时仅激活38亿参数,DiffusionGemma在量化后能轻松适配高端专用消费级GPU的18GB显存限制。
  • 双向注意力: 每次前向传播并行生成256个token,使每个token都能关注其他所有token。这为非线性领域(如内联编辑、代码填充、氨基酸序列或数学图)提供了显著优势。
  • 智能自我修正: 模型迭代优化自身输出,使其能一次性评估整个文本块,实时修正错误。
  • 实验状态与生产建议: 由于优先考虑速度和并行布局生成,DiffusionGemma的整体输出质量低于标准Gemma 4。对于追求最高质量的应用,我们建议部署标准Gemma 4。

你可以通过微调来提升DiffusionGemma在特定任务上的性能。在下面的示例中,Unsloth微调了DiffusionGemma来玩数独——这是自回归模型难以胜任的任务,因为每个token都依赖于未来的token。DiffusionGemma的双向注意力使这变得容易得多。

微调后的DiffusionGemma解决数独问题。

为何对文本采用扩散?

尽管AI研究社区多年来一直在探索基于扩散的文本生成,但将其应用于大模型仍是一个挑战。DiffusionGemma通过改变模型使用硬件的方式改变了这一局面。

传统模型的权衡

大多数语言模型像打字机一样,从左到右逐token生成。在云端,这很高效,因为服务器可以将数千个用户请求批量处理,共享硬件负载。但当在本地为单个用户运行时,这种逐词生成过程会使你的专用GPU或TPU利用率不足——大部分时间只是在等待下一次“按键”。

DiffusionGemma扭转了这种低效。它不按顺序预测单词,而是同时草拟整个256个token的段落。通过一次性给计算机处理器分配更大的工作块,DiffusionGemma充分发挥了硬件的潜力。它将模型推理从单个顺序的打字机升级为一台巨大的印刷机,同时印出整个文本块。

Hugging Face的DiffusionGemma文本转3D SVG演示。逐步生成过程。

这意味着DiffusionGemma的速度提升专为本地和低并发推理设计。在高QPS的云服务中,自回归模型可以通过部署有效饱和计算资源,因此DiffusionGemma的并行解码带来的收益递减,并可能导致更高的服务成本。在单个加速器上的低到中等批量大小下,吞吐量优势最为显著。

文本扩散的工作原理

类似于AI图像生成器从视觉静态开始并迭代优化为清晰图像,DiffusionGemma将其应用于文本:

  1. 画布: 模型从随机占位符token的画布开始。
  2. 迭代优化: 模型进行多次传递,锁定正确的token,并将其作为上下文线索来优化其余部分。
  3. 最终润色: 文本收敛为高质量输出。

由于模型在生成过程中可以处理整个段落,它解锁了新的模型行为模式,例如完美闭合复杂的Markdown格式,或近乎实时地生成和渲染代码。

立即开始

  • 下载权重: 立即在 Hugging Face 上获取实验性模型权重(基于宽松的 Apache 2.0 许可证发布)。
  • 集成与学习: 查阅我们的 DiffusionGemma 开发者指南了解更多信息。或深入阅读 DiffusionGemma 可视化指南,了解其底层机制。
  • 使用你喜爱的开发工具: 通过 MLXvLLM(由 Red Hat 支持集成)和 Hugging Face Transformers 高效部署模型。为快速实验,我们发布了使用 Hackable Diffusion(一个专为可组合性设计的模块化 JAX 工具箱)的微调教程。你还可以通过 Unsloth 和 NVIDIA NeMo 探索微调。此外,对 llama.cpp 的官方支持即将推出。
  • 体验优化性能: 我们与 NVIDIA 合作,在其硬件栈上进行了优化,确保与消费级配置(针对 GeForce RTX 5090 和 4090 GPU 量化)的兼容性,同时在企业级系统(使用高级 NVFP4 内核的 Hopper 和 Blackwell)上实现高性能,包括用于本地桌面部署的 NVIDIA DGX Spark 和 DGX Station,以及面向 AI 专业人士的 RTX PRO。对 NVFP4(4 位浮点数)的原生支持加速了计算吞吐量,使模型能够以更快速度运行,同时保持近乎无损的精度。
  • 按需尝试: 在桌面专用 GPU 上运行,或通过 Gemini Enterprise Agent Platform Model GardenNVIDIA NIM 在云端运行。

本文内容采集自官方网站,排版和翻译可能与原页面存在差异。

阅读官方全文