上月，谷歌 DeepMind在发布一系列新AI工具和创新技术的同时，推出了Gemini Diffusion。这一实验性研究模型采用基于扩散的方法生成文本。传统上， GPT和Gemini等大语言模型依赖自回归技术，即逐步生成每个词的方法。扩散语言模型（DLM）采用了更常见于图像生成的方法，从随机噪声开始，逐步优化为连贯输出。这种方法大幅提升了生成速度，并能改善连贯性和一致性。

Gemini Diffusion目前作为实验性演示版本提供，用户可申请体验资格。

理解扩散与自回归的区别

扩散和自回归是根本不同的方法。自回归方法按顺序生成文本，逐个预测标记。虽然这种方法确保了强连贯性和上下文跟踪，但计算密集且速度较慢，特别是对于长篇内容。

相比之下，扩散模型从随机噪声开始，逐步去噪形成连贯输出。应用于语言时，该技术具有多项优势。文本块可以并行处理，能以更高速率生成整个段落或句子。

据报告，Gemini Diffusion每秒可生成1000-2000个标记。相比之下，Gemini 2.5 Flash的平均输出速度为每秒272.4个标记。此外，生成过程中的错误可在优化过程中纠正，提高准确性并减少幻觉。尽管在精细准确性和标记级控制方面可能存在权衡，但速度提升将成为众多应用的游戏规则改变者。

基于扩散的文本生成如何工作？

在训练期间，DLM通过多步骤逐渐向句子添加噪声，直到原始句子完全无法识别。然后训练模型逆转这一过程，逐步从噪声版本重构原始句子。通过迭代优化，模型学会对训练数据中所有合理句子的完整分布进行建模。

虽然Gemini Diffusion的具体细节尚未披露，扩散模型的典型训练方法包括以下关键阶段：

前向扩散：对训练数据集中的每个样本，在多个周期（通常500-1000次）中逐步添加噪声，直到与随机噪声无法区分。

逆向扩散：模型学会逆转每个噪声步骤，本质上学习如何逐步"去噪"损坏的句子，最终恢复原始结构。

这一过程通过多样化样本和噪声水平重复数百万次，使模型学会可靠的去噪功能。

训练完成后，模型能够生成全新句子。DLM通常需要条件或输入，如提示、类别标签或嵌入，以引导生成期望的结果。条件被注入去噪过程的每个步骤，将初始噪声块塑造为结构化的连贯文本。

基于扩散模型的优势与劣势

在接受采访时，谷歌DeepMind研究科学家、Gemini Diffusion项目负责人之一Brendan O'Donoghue详细阐述了扩散技术相比自回归的优势：

更低延迟：扩散模型能在更短时间内产生标记序列。

自适应计算：扩散模型根据任务难度以不同速率收敛到标记序列，使模型在简单任务上消耗更少资源并降低延迟。

非因果推理：由于去噪器中的双向注意力，标记可以关注同一生成块内的未来标记，实现非因果推理并进行全局编辑以产生更连贯的文本。

迭代优化/自我纠正：去噪过程涉及采样，可能引入错误，但与自回归模型不同，标记会传回去噪器，有机会纠正错误。

O'Donoghue也指出主要劣势："服务成本更高，首个标记时间（TTFT）略长，因为自回归模型会立即产生首个标记，而扩散模型只能在整个标记序列就绪后才能显示首个标记。"

性能基准测试

谷歌表示Gemini Diffusion的性能与Gemini 2.0 Flash-Lite相当。两个模型在多个基准测试中进行比较，评分基于模型首次尝试产生正确答案的次数。Gemini Diffusion在编程和数学测试中表现出色，而Gemini 2.0 Flash-lite在推理、科学知识和多语言能力方面更具优势。

随着Gemini Diffusion的发展，其性能有望赶上更成熟的模型。据O'Donoghue表示，两种技术之间的差距"在基准性能方面基本已经消除，至少在我们已扩展到的相对较小规模上如此。实际上，在非局部一致性重要的某些领域，如编程和推理，扩散可能具有性能优势。"

测试Gemini Diffusion

在实际测试中，我们首先注意到其速度优势。在运行谷歌提供的建议提示时，包括构建木琴和行星井字游戏等交互式HTML应用，每个请求在三秒内完成，速度范围为每秒600-1300个标记。

为测试实际应用性能，我们要求Gemini Diffusion构建视频聊天界面。在不到两秒内，Gemini Diffusion创建了带有视频预览和音频计量器的工作界面。

Gemini Diffusion还具有"即时编辑"模式，可粘贴文本或代码并通过最少提示进行实时编辑。即时编辑对多种文本编辑任务有效，包括语法纠正、针对不同读者群体更新文本或添加SEO关键词。它也适用于代码重构、为应用添加新功能或将现有代码库转换为不同语言等任务。

DLM的企业应用案例

任何需要快速响应时间的应用都能从DLM技术中受益。这包括实时和低延迟应用，如对话AI和聊天机器人、实时转录和翻译，或IDE自动完成和编程助手。

据O'Donoghue介绍，对于利用"内联编辑"的应用，例如获取文本片段并就地进行更改，扩散模型在自回归模型无法胜任的方面具有适用性。由于"双向注意力提供的非因果推理"，DLM在推理、数学和编程问题方面也具有优势。

DLM仍处于起步阶段，但该技术有望转变语言模型的构建方式。它们不仅以比自回归模型高得多的速率生成文本，其回溯和修正错误的能力意味着最终可能产生更高准确性的结果。

Gemini Diffusion加入了不断增长的DLM生态系统，其中包括Inception Labs开发的Mercury和GSAI的开源模型LLaDa等。这些模型共同反映了基于扩散的语言生成背后的广泛动力，为传统自回归架构提供了可扩展、可并行化的替代方案。