DeepMind 官方博客发布了一篇题为《DiffusionGemma: 4x faster text generation》的文章。从标题看，这是一项围绕 Gemma 系列模型的工作，核心主张是把文本生成速度提升到原来的 4 倍。截至目前，该条目仅提供了标题与原文链接，没有摘要，因此模型规模、训练细节、评测基准、硬件条件以及"4x"所对应的对比基线，都需要以博客原文为准。
发生了什么
- DeepMind 在官方博客渠道公开了一项名为 DiffusionGemma 的模型相关进展；
- 标题给出的唯一量化指标是文本生成速度约为 4 倍；
- 归属分类为「模型」，链接指向 DeepMind 博客。
为什么值得关注
当前主流大语言模型基本采用自回归解码：一次前向只产出一个 token，生成过程高度串行，长度越长延迟越高。扩散式文本生成则尝试用多步去噪的方式并行产出整段文本，思路是从噪声逐步还原出结果，从而在步数上压缩串行开销。若该路线在真实负载下确实能带来数倍吞吐提升，它对推理成本、首 token 之外的端到端延迟、以及高并发服务场景都会有直接影响。
不过需要提醒的是，此类"提速 N 倍"的表述通常强依赖于具体设置：对比的是同规模自回归模型还是同质量水平、测的是单序列延迟还是批量吞吐、是否包含采样与后处理开销、以及对生成质量的影响如何。在这些前提未被原文说明之前，不建议把 4 倍直接外推到生产环境。
对于关注推理优化与生成范式演进的从业者，这篇博客值得跟进原文，重点看三点：质量与速度的权衡曲线、可复现的评测配置，以及是否会随 Gemma 系列一同开放权重或代码。