20年2025月XNUMX日、Google DeepMindはひっそりと ジェミニ拡散は、生成AIのあり方を一変させる可能性を秘めた実験的なテキスト拡散モデルです。Google I/O 2025で展示されたこの最先端の研究プロトタイプは、画像や動画の生成で以前から広く用いられてきた拡散技術を活用し、ランダムノイズを反復的に改良することで、一貫性のあるテキストとコードを生成します。初期のベンチマークでは、速度と品質の両面でGoogleの既存のトランスフォーマーベースのモデルに匹敵し、場合によってはそれを上回る性能を示すことが示されています。
ジェミニ拡散とは何ですか?
拡散はテキストとコードの生成にどのように適用されますか?
従来の大規模言語モデル（LLM）は自己回帰アーキテクチャに依存しており、過去のすべての出力に基づいて次の単語を予測することで、一度に1トークンずつコンテンツを生成します。対照的に、 ジェミニ拡散 ランダム化された「ノイズ」のフィールドから始まり、一連のノイズ除去ステップを通して、このノイズを反復的に洗練させ、一貫性のあるテキストまたは実行可能コードへと変換します。このパラダイムは、ImagenやStable Diffusionといった拡散モデルが画像を生成する方法を反映していますが、このようなアプローチが実用レベルの速度でテキスト生成にスケールアップされたのは初めてです。
「ノイズから物語へ」が重要な理由
テレビ画面に映る無信号時のノイズ、つまり形のないランダムなちらつきを想像してみてください。拡散型AIでは、このノイズこそが出発点となります。モデルは混沌から意味を「彫刻」し、徐々に構造とセマンティクスを付与していきます。この各改良段階における全体的な視点によって、本質的な自己修正が可能になり、トークン単位のモデルに見られる矛盾や「幻覚」といった問題を軽減します。
主なイノベーションと機能
- 加速生成Gemini Diffusionはテキストブロック全体を同時に生成できるため、トークンごとの生成方法に比べてレイテンシが大幅に短縮されます。()
- 強化された一貫性一度に大きなテキストセグメントを生成することで、モデルはより高いコンテキストの一貫性を実現し、より首尾一貫した論理的に構造化された出力を生成します。()
- 反復改良このモデルのアーキテクチャにより、生成プロセス中にリアルタイムでエラー訂正が可能になり、最終的な出力の精度と品質が向上します。()
Google はなぜ Gemini Diffusion を開発したのでしょうか?
速度と遅延のボトルネックに対処する
自己回帰モデルは強力ではあるものの、根本的な速度制限に直面しています。各トークンは先行するコンテキストに依存しており、シーケンシャルボトルネックを引き起こします。Gemini Diffusionは、すべてのポジションで並列的な改良を可能にすることでこの制約を打破し、 エンドツーエンド生成が4～5倍高速化 同規模の自己回帰型アルゴリズムと比較して、この高速化により、チャットボットからコードアシスタントに至るまで、リアルタイムアプリケーションのレイテンシが低減されます。
AGIへの新たな道を切り開く
スピードに加え、Diffusionの反復的でグローバルな視点は、推論、世界モデリング、そして創造的統合といった汎用人工知能（AGI）の主要機能と合致しています。Google DeepMindの経営陣は、Gemini Diffusionを、デジタル環境と物理環境の両方でシームレスに動作可能な、よりコンテキストアウェアでプロアクティブなAIシステムを構築するための、より広範な戦略の一部と考えています。
Gemini Diffusion は内部でどのように動作するのでしょうか?
ノイズ注入とノイズ除去ループ
- 初期化モデルはランダム ノイズ テンソルから始まります。
- ノイズ除去の手順: ニューラル ネットワークは、各反復で、学習した言語またはコードのパターンに基づいて、ノイズをわずかに削減する方法を予測します。
- 洗練: 繰り返されるステップは一貫した出力に収束し、各パスでは過去のトークンのみに頼るのではなく、完全なコンテキスト全体でエラー訂正が可能になります。
建築の革新
- 平行度: トークンの依存関係を切り離すことで、拡散により同時更新が可能になり、ハードウェアの使用率が最大化されます。
- パラメータ効率: 初期のベンチマークでは、よりコンパクトなアーキテクチャにもかかわらず、大規模な自己回帰モデルと同等のパフォーマンスが示されています。
- 自己修正: 反復的な性質により、コードのデバッグや数学的導出などの複雑なタスクに不可欠な中間世代の調整が本質的にサポートされます。
Gemini Diffusion のパフォーマンスを示すベンチマークは何ですか?
トークンサンプリング速度
Googleの内部テストでは、 平均サンプリングレートは1,479秒あたりXNUMXトークンこれは、リクエストあたり平均0.84秒の起動オーバーヘッドを除けば、従来のGemini Flashモデルと比べて飛躍的な進歩です。この指標は、高スループットアプリケーションにおけるDiffusionの能力を裏付けています。
コーディングと推論の評価
- **HumanEval（コーディング）**合格率は 89.6% で、Gemini 2.0 Flash-Lite の 90.2% とほぼ同等です。
- MBPP（コーディング）: 76.0%、Flash-Lite は 75.8% です。
- BIG-Bench エクストラハード（推論）: 15.0%、Flash-Lite の 21.0% より低い。
- グローバルMMLU（多言語）: 69.1%、Flash-Lite は 79.0% です。
これらのさまざまな結果は、拡散が反復的でローカライズされたタスク (コーディングなど) に非常に適していることを明らかにし、複雑な論理的推論や多言語理解など、アーキテクチャの改良がまだ必要な領域を浮き彫りにしています。
Gemini Diffusion は以前の Gemini モデルと比べてどうですか?
Flash-Lite vs. Pro vs. Diffusion
- ジェミニ 2.5 フラッシュライト 一般的なタスクに対してコスト効率が高く、レイテンシが最適化された推論を提供します。
- ジェミニ 2.5 プロ 複雑な問題を分解するための「Deep Think」モードを備え、深い推論とコーディングに重点を置いています。
- ジェミニ拡散 超高速生成と自己修正出力に特化しており、直接的な代替品というよりは補完的なアプローチとして位置付けられています。
長所と制限
- 強み: 速度、編集機能、パラメータ効率、コードタスクにおける堅牢なパフォーマンス。
- 製品制限: 抽象的推論と多言語ベンチマークでのパフォーマンスの低下、複数のノイズ除去パスによるメモリフットプリントの増加、エコシステムの成熟度が自己回帰ツールに遅れをとっている。
Gemini Diffusion にアクセスするにはどうすればいいですか?
早期アクセスプログラムに参加する
Googleは 待機リスト 実験的なGemini Diffusionデモへの参加を希望する開発者や研究者は、Google DeepMindブログから登録できます。早期アクセスは、フィードバックの収集、安全プロトコルの改良、そしてより広範な展開に向けたレイテンシの最適化を目的としています。
将来の可用性と統合
正式なリリース日は発表されていないが、Googleは 一般的な可用性 今後のGemini 2.5 Flash-Liteアップデートに合わせて調整されています。想定される統合パスは以下のとおりです。
- Google AIスタジオ インタラクティブな実験用。
- ジェミニ API 生産パイプラインへのシームレスな展開を実現します。
- サードパーティのプラットフォーム (例: Hugging Face) 学術研究やコミュニティ主導のベンチマークのための事前リリース済みのチェックポイントをホストします。
Google DeepMindは、拡散というレンズを通してテキストとコードの生成を再考することで、AIイノベーションの次なる章に確固たる地位を築いています。Gemini Diffusionが新たな標準となるにせよ、自己回帰型の巨大システムと共存するにせよ、そのスピードと自己修正能力の融合は、生成型AIシステムの構築、改良、そして信頼のあり方を根本から変える可能性を秘めています。
スタートガイド
CometAPIは、Geminiファミリーを含む数百のAIモデルを一貫したエンドポイントに集約する統合RESTインターフェースを提供します。APIキー管理、使用量制限、課金ダッシュボードも組み込まれており、複数のベンダーURLと認証情報を管理する手間が省けます。
開発者はアクセスできる Gemini 2.5 フラッシュ プレ API （モデル：gemini-2.5-flash-preview-05-20）と ジェミニ 2.5 プロ API （モデル：gemini-2.5-pro-preview-05-06）などを通じて コメットAPIまず、プレイグラウンドでモデルの機能を調べ、 APIガイド 詳細な手順についてはこちらをご覧ください。アクセスする前に、CometAPIにログインし、APIキーを取得していることを確認してください。