谷歌新研究模型 Gemini Diffusion：用扩散模型重新定义文本生成

谷歌推出了一项新的实验性研究模型 —— Gemini Diffusion，这是其在文本生成领域的一次重要尝试，探索扩散模型在语言任务中的潜力。

不同于传统的自回归模型逐词生成文本的方式，Gemini Diffusion 借鉴了图像和视频生成中常用的扩散机制，通过从随机噪声逐步“提炼”出连贯的文本或代码输出。这一方法不仅提升了生成效率，也在编辑、数学推理等任务中展现出更强的能力。

Gemini Diffusion 有哪些优势？

1. 生成速度快于现有最快模型根据官方介绍，Gemini Diffusion 在演示版中的生成速度显著优于谷歌此前最快的模型，同时保持了相同的编码质量。这意味着它在高并发或实时场景下具有更高的应用潜力。
2. 非顺序生成机制带来更高灵活性扩散模型不像传统语言模型那样必须按顺序生成每个 token，而是通过全局优化逐步完善结果。这种方式更擅长处理复杂编辑、多轮推理任务，比如修复一段错误的代码，或者对一段文字进行逻辑重写。
3. 适用于多种文本任务Gemini Diffusion 不仅可以生成自然语言，还支持代码生成，展现了其在编程辅助工具领域的潜在应用价值。

什么是扩散模型？

为了更好地理解 Gemini Diffusion 的工作原理，我们先来简单了解什么是扩散模型。

自回归模型 vs 扩散模型

扩散模型最初广泛应用于图像和视频生成（如 Stable Diffusion），现在谷歌将其引入文本生成领域，试图突破传统语言模型的瓶颈。

实验性演示版开放申请

目前，Gemini Diffusion 仅以实验性演示版形式提供，主要用于收集反馈并优化未来模型。开发者和研究人员可以通过加入等待列表申请访问权限。

• 地址：https://deepmind.google/models/gemini-diffusion

此外，谷歌也正在推进其他性能优化项目，即将推出更轻量、更快的 Gemini 2.5 Flash Lite 版本，进一步降低延迟，提升响应速度。