你可能还没注意到，在刚刚过去的Google I/O 2025大会上，谷歌DeepMind悄然发布了一个重磅的实验性模型——GeminiDiffusion！这个名字听起来有些熟悉，因为它将扩散（diffusion）技术首次革命性地应用于文本生成，这或许不仅仅是一个简单的技术进步，更是一个意义重大的技术突破，预示着AI文本生成领域即将迎来一场范式变革！

长期以来，扩散模型在图像生成领域已经证明了其强大的能力，从Stable Diffusion到DALL-E，它们以惊人的细节和创造力颠覆了视觉内容创作。然而，将其核心原理迁移到纯文字生成，这无疑是对传统语言模型范式的重大挑战。而GeminiDiffusion的出现，正试图打破这一边界，为我们描绘了一个“快如闪电”的文本生成新未来。

一、什么是GeminiDiffusion？文本生成的新范式

要理解GeminiDiffusion的革命性，我们首先要回顾一下传统的自回归语言模型（如GPT-4、Claude）是如何生成文本的。它们的工作方式是从左到右顺序生成每一个标记（token），这与人类的写作过程非常相似——一个词一个词地往外蹦。也就是说，模型每多生成一个token，都必须先得到其左边所有的token，然后再将所有当前的token全部送进神经网络，通过预测才能得到下一个token。这个过程是严格串行的，效率自然受到限制。

而GeminiDiffusion采用了完全不同的方法：它不是逐个标记生成，而是先将整段文本初始化为**“噪声”，然后通过多次迭代，逐步将这些噪声“净化”**，最终形成有意义的完整文本。这种方法就像是“从混沌中寻找秩序”，或者像艺术家从模糊的草图一步步细化成清晰的画作。这种“从整体到局部，再到细化”的生成过程，彻底颠覆了传统的“从左到右，逐字逐句”的生成模式。

二、快如闪电：1500 token/秒背后的速度秘密

这种全新的生成方法带来了显著的性能提升：官方测试数据显示，GeminiDiffusion每秒能生成约1500个token！这比谷歌现有的最快模型Gemini 2.0 Flash-Lite模型，整整快了5倍！

想象一下，你发出一个指令，AI几乎在眨眼之间就能生成一篇长达数千字的报告，或者一段完整的复杂代码。这种速度，将彻底改变我们与AI的交互体验，让AI真正成为实时、高效的生产力工具。

那么，GeminiDiffusion是如何实现如此惊人的速度的呢？这得益于其独特的并行生成和迭代去噪机制。它不再需要等待前一个token生成完毕，而是能够同时处理整个序列，从而实现大规模的并行计算。这就像一个团队协作，每个人同时处理一部分任务，而不是一个人逐个完成所有任务。

三、核心能力：不止于快，更注重“思考”与“一致性”

据Google DeepMind的技术介绍，GeminiDiffusion不仅速度惊人，更具备三大关键优势，这些优势使得它在实际应用中更具价值：

1. 超高响应速度：这是最直观的优势，显著快于谷歌现有乃至市场上所有已知的最快模型。
2. 更高文本连贯性：由于它能够一次性生成整块标记，而非逐个生成，这使得生成的文本在全局结构和逻辑上更具连贯性。传统的自回归模型在生成长文本时，有时会出现前后不一致或逻辑跳跃的问题，而扩散模型通过全局优化，能够更好地保持文本的整体一致性。
3. 迭代自我修正：在生成过程中，GeminiDiffusion能够进行多次迭代，并在每次迭代中进行错误纠正。

四、性能与速度的完美结合：基准测试揭示的真相

值得注意的是，尽管GeminiDiffusion采用了全新的生成机制，但在标准基准测试上，其性能与Gemini 2.0 Flash-Lite的表现相当接近。这意味着，它在实现速度飞跃的同时，并没有牺牲其核心的智能水平。

基准测试	GeminiDiffusion	Gemini 2.0 Flash-Lite
LiveCodeBench(v6)	30.9%	28.5%
BigCodeBench	45.4%	45.8%
HumanEval	89.6%	90.2%
AIME2025	23.3%	20.0%

数据显示，GeminiDiffusion在大多数指标上与Gemini 2.0 Flash-Lite表现相当，甚至在AIME2025（数学）测试上略有优势。最关键的是：两者性能相当，但GeminiDiffusion的速度优势高达5倍！

这意味着，谷歌成功地在不牺牲智能水平的前提下，实现了文本生成效率的革命性提升。这对于追求高性能和低延迟的实际应用场景，无疑是巨大的利好。

五、深入剖析：四大“加速机制”揭秘

网友@karthik_dulam好奇提问：“谁能解释为什么扩散语言模型能够快一个数量级？”那么，为什么扩散模型在文本生成领域能实现数量级的速度提升呢？据分析，这涉及四个核心技术“加速机制”：

1. 并行解码架构（Parallel Decoding Architecture）：
   这是最根本的区别。自回归模型必须按顺序生成标记，后一个标记依赖前一个的完成，是典型的串行处理。而扩散模型则能够整句话同时处理，所有位置并行进行噪声去除。这种并行性是其速度优势的核心来源。
   @itsArmanj曾提出一个有趣的推测性问题：“帮我理解：如果你让Transformer计算二乘三，它会推理出23=，然后下一个标记是6。扩散模型如何在形成23之前就得出6？”事实上，扩散模型不依赖顺序推理，而是在多轮迭代中优化整个序列。它先生成包含噪声的“候选答案”，然后通过多步去噪过程，确保整个表达式和答案在数学上的一致性。它不是一步到位，而是通过迭代不断逼近正确答案，但这个迭代过程是高度并行的。

2. 可调迭代步数（Adjustable Iteration Steps）：
   GeminiDiffusion仅需约12步迭代就能生成高质量文本，而自回归模型处理一个包含1000个标记的段落则需要1000次顺序处理。这意味着，无论文本长度如何，扩散模型所需的迭代步数相对固定且较少，而自回归模型的延迟则与序列长度呈线性增长。这种机制使得扩散模型在生成长文本时，能够保持极高的效率。

3. 高效算子融合（Efficient Operator Fusion）：
   扩散模型采用双向注意力而非自回归模型常用的单向注意力机制。更重要的是，它不需要维护KV-cache。在自回归模型中，为了避免重复计算，模型需要存储之前生成token的键值（Key-Value）对，即KV-cache，这会消耗大量内存并影响并行性。扩散模型无需维护KV-cache，这使得它更适合充分利用GPU/TPU等并行计算架构的优势，实现更高效的算子融合和计算吞吐量。
   @LeeLeepenkman观察到：“我们又回到了扩散器和DIT（Diffusion Transformer）块的路线。之前大家都在尝试自回归图像生成，因为4o image采用了这种方式，但当你深入思考或实际尝试时会发现这种方式相当缓慢。通过大规模扩展扩散模型，我们或许能达到这种逻辑和文本精度，就像实现逼真的光照一样。”这番话暗示了扩散模型在规模扩展后，将有可能达到与自回归模型相同的逻辑推理能力和准确性，同时保持其显著的速度优势，预示着未来AI生成技术可能的大方向。

4. 计算资源优化（Computational Resource Optimization）：
   扩散模型仅在最后一步将输出映射到词表，显著减少了中间计算过程中的开销。传统的语言模型在每一步生成token时，都需要进行词表映射，这会带来大量的计算负担。而扩散模型通过将这一计算推迟到最终阶段，极大地优化了计算资源的使用效率。

六、AI生成范式的未来：跨模态统一的野心

GeminiDiffusion的出现，不仅仅是文本生成领域的一次突破，它更是谷歌在AI生成技术上跨模态统一战略的重要一步。值得关注的是，谷歌正将扩散技术统一应用于文本（GeminiDiffusion）、图像（Imagen 4）和视频（Veo 3）三大领域。这显然是在构建一个基于扩散技术的全模态AI生态系统。

这种战略意义重大：

• 技术复用与效率：在不同模态之间复用相同的底层生成原理，可以提高研发效率，并可能在未来实现模态间的无缝转换和生成。
• 统一的AI创作平台：未来，用户可能只需要通过一个统一的界面或API，就能利用扩散模型生成文本、图像、视频，甚至多模态内容。这将极大地简化AI创作的门流程，激发更多跨模态的创新应用。
• 更深层次的AI理解：当AI能够用统一的机制理解和生成不同形式的数据时，也意味着它对世界的理解将达到更深层次的抽象和统一。

目前，Google尚未发布GeminiDiffusion的详细技术论文，仅有一篇简单的产品介绍链接。不过，此前也有相关的技术路线研究，如Diffusion-LM（Stanford, 2022）和d1（UCLA & Meta, 2025）等工作，为我们理解其原理提供了初步线索。

网友@TendiesOfWisdom提出了一个富有启发性的类比：“科幻电影《降临》中的外星人文字=新的扩散语言模型？他们的圆形文字一次性传递完整概念；这些模型并行迭代达成连贯性，抛弃了逐步生成标记的方式。非线性思维与AI的下一波浪潮相遇。”这个比喻倒是有些意思，科幻电影《降临》中外星人的圆形文字能够一次性表达完整概念，扩散语言模型也采用“非线性”方式同步生成整段内容。这种非线性、全局优化的思维模式，或许正是AI在未来取得更大突破的关键。

七、展望：AI生成技术的又一次革命？

目前，GeminiDiffusion仅向有限的合作伙伴开放测试，但Google已开放了候补名单供研究者和开发者注册。我已经排上队了，期待能有机会亲自体验这款“快如闪电”的模型。

这次的GeminiDiffusion，展示的不仅是速度的提升，更可能是生成范式的根本性变革。它挑战了我们对传统语言模型的固有认知，为文本生成提供了一条全新的路径。

如果扩散模型在文本生成领域能够像在图像生成领域那样取得成功，那么我们可能正在见证AI生成技术的又一次革命性转变。未来的文本生成将不再是简单的“词语接龙”，而是像“雕塑”一样，从一个模糊的整体轮廓开始，通过反复打磨和修正，最终呈现出精美、连贯的完整作品。

这对于内容创作、编程辅助、智能问答等所有依赖文本生成的应用来说，都将带来颠覆性的影响。它将极大提升AI的实时响应能力，让AI助手真正成为我们“思考”和“创作”的延伸。

你对GeminiDiffusion的出现有何看法？你认为它会如何改变你未来的工作或生活？欢迎在评论区分享你的观点，与我们一起探讨AI生成技术的无限可能！

✨ AI全能平台，尽在ChatTools！ 提供 GPT-4o（含图片编辑）、Grok-3、Claude 3.7、DeepSeek 等顶级AI模型，更有 Midjourney 绘画服务免费无限次使用。探索更多精彩：https://chat.chattools.cn