20 жылдың 2025 мамырында Google DeepMind тыныш түрде ашылды Егіздердің диффузиясы, генеративті AI пейзажын өзгертуге уәде беретін эксперименттік мәтіндік диффузиялық модель. Google I/O 2025 барысында ұсынылған бұл заманауи зерттеу прототипі кездейсоқ шуды итеративті түрде нақтылау арқылы когерентті мәтін мен кодты жасау үшін бұрын сурет пен бейне жасауда танымал болған диффузия әдістерін қолданады. Алғашқы эталондар оның бәсекелес екенін және кейбір жағдайларда Google-дың қолданыстағы трансформаторға негізделген үлгілерінен жылдамдық пен сапа жағынан асып түсетінін көрсетеді.
Егіздердің диффузиясы дегеніміз не?
Диффузия мәтін мен кодты құруға қалай қолданылады?
Дәстүрлі үлкен тіл үлгілері (LLM) авторегрессивті архитектураға сүйенеді, барлық алдыңғы нәтижелерге шартталған келесі сөзді болжау арқылы бір уақытта бір таңбалауыш мазмұнды жасайды. Қайта, Егіздердің диффузиясы рандомизацияланған «шу» өрісінен басталады және итеративті түрде бұл шуды когерентті мәтінге немесе дыбыссыздандыру қадамдарының тізбегі арқылы орындалатын кодқа нақтылайды. Бұл парадигма Imagen және Тұрақты диффузия сияқты диффузиялық модельдердің кескіндерді жасау тәсілін көрсетеді, бірақ мұндай тәсіл өндіріске ұқсас жылдамдықта мәтін құру үшін бірінші рет масштабталады.
Неліктен «шу-баяндау» маңызды
Сигнал болмаған кезде теледидар экранындағы статиканы елестетіңіз - пішінсіз кездейсоқ жыпылықтайды. Диффузияға негізделген АИ-де бұл статика бастапқы нүкте болып табылады; модель бірте-бірте құрылым мен семантиканы енгізе отырып, хаостан мағынаны «мүсіндейді». Әрбір нақтылау кезеңіндегі бұл біртұтас көрініс таңбалауыш модельдерді зақымдауы мүмкін үйлесімсіздік немесе «галлюцинациялар» сияқты мәселелерді жеңілдететін өзіндік түзетуге мүмкіндік береді.
Негізгі инновациялар мен мүмкіндіктер
- Жеделдетілген ұрпақ: Gemini Diffusion бір уақытта мәтіннің бүкіл блоктарын жасай алады, бұл таңбалауыш бойынша генерациялау әдістерімен салыстырғанда кідірісті айтарлықтай азайтады.()
- Жетілдірілген үйлесімділік: Бір уақытта үлкенірек мәтін сегменттерін жасау арқылы үлгі контекстік сәйкестікке қол жеткізеді, соның нәтижесінде үйлесімді және логикалық құрылымдалған нәтижелер болады .()
- Итеративті нақтылау: Модельдің архитектурасы генерациялау процесінде қателерді нақты уақытта түзетуге мүмкіндік береді, соңғы нәтиженің дәлдігі мен сапасын жақсартады .()
Google неліктен Gemini Diffusion жүйесін жасады?
Жылдамдық пен кешігу кедергілерін шешу
Авторегрессивті модельдер қуатты болғанымен, негізгі жылдамдық шектеулеріне тап болады: әрбір таңбалауыш алдыңғы контекстке байланысты, жүйелі кедергі жасайды. Gemini Diffusion барлық позициялар бойынша параллельді нақтылауға мүмкіндік беру арқылы бұл шектеуді бұзады, нәтижесінде 4–5× жылдамырақ ұшты-соңды генерация ұқсас өлшемді авторегрессивті аналогтарымен салыстырғанда. Бұл жеделдету чат-боттардан код көмекшілеріне дейін нақты уақыттағы қолданбалар үшін төмен кідіріске аударылуы мүмкін.
AGI-ға жаңа жолдар ашады
Жылдамдықтан басқа, диффузияның итеративті, жаһандық көрінісі жасанды жалпы интеллекттің (AGI) негізгі мүмкіндіктеріне сәйкес келеді: пайымдау, әлемді модельдеу және шығармашылық синтез. Google DeepMind басшылығы Gemini Diffusion-ті сандық және физикалық орталарда үздіксіз жұмыс істей алатын контекстке негізделген, белсенді AI жүйелерін құру үшін кеңірек стратегияның бөлігі ретінде қарастырады.
Егіздердің диффузиясы сорғыштың астында қалай жұмыс істейді?
Шуды инъекция және дыбыссыздандыру контуры
- Бастама: Модель кездейсоқ шу тензорынан басталады.
- Денозия қадамдары: Әрбір итерацияда нейрондық желі үйренілген тіл немесе код үлгілерін басшылыққа ала отырып, шуды аздап азайту жолын болжайды.
- Пысықтау: Қайталанатын қадамдар тек өткен таңбалауыштарға сүйенбей, әрбір өту арқылы толық мәтінмән бойынша қатені түзетуге мүмкіндік беретін когерентті нәтижеге жақындайды.
Архитектуралық инновациялар
- Параллелизм: Тәуелділік белгісін ажырату арқылы диффузия аппараттық құралдарды пайдалануды барынша арттыра отырып, бір уақытта жаңартуларға мүмкіндік береді.
- Параметрдің тиімділігі: Алғашқы эталондар неғұрлым ықшам архитектураға қарамастан үлкенірек авторегрессивті үлгілермен бірдей өнімділікті көрсетеді.
- Өзін-өзі түзету: Итеративті табиғат кодты жөндеу немесе математикалық туындылар сияқты күрделі тапсырмалар үшін өте маңызды орта буын түзетулерін қолдайды.
Gemini Diffusion өнімділігін қандай көрсеткіштер көрсетеді?
Токенді таңдау жылдамдығы
Google ішкі сынақтары туралы есеп береді орташа іріктеу жылдамдығы секундына 1,479 токен, алдыңғы Gemini Flash үлгілерінен күрт секіріс, бірақ бір сұрау үшін орташа іске қосу шығыны 0.84 секунд . Бұл көрсеткіш жоғары өткізу қабілеттілігі бар қолданбалар үшін диффузияның мүмкіндігін көрсетеді.
Кодтау және дәлелді бағалау
- HumanEval (кодтау): 89.6% өту жылдамдығы, Gemini 2.0 Flash-Lite 90.2% сәйкес келеді.
- MBPP (кодтау): 76.0%, Flash-Lite 75.8% салыстырғанда.
- BIG-Bench Extra Hard (ойлау): 15.0%, Flash-Lite 21.0% төмен.
- Ғаламдық MMLU (көп тілді): 69.1%, Flash-Lite 79.0% салыстырғанда.
Бұл аралас нәтижелер диффузияның қайталанатын, локализацияланған тапсырмаларға (мысалы, кодтау) ерекше бейімділігін көрсетеді және сәулеттік нақтылаулар қажет болып қалатын салаларды - күрделі логикалық пайымдаулар мен көп тілді түсінуді көрсетеді.
Gemini диффузиясы бұрынғы Gemini үлгілерімен қалай салыстырылады?
Flash-Lite және Pro және диффузия
- Gemini 2.5 Flash-Lite жалпы тапсырмалар үшін үнемді, кідіріспен оңтайландырылған қорытындыны ұсынады.
- Gemini 2.5 Pro Күрделі мәселелерді шешуге арналған «Терең ойлау» режимі бар терең ойлауға және кодтауға назар аударады.
- Егіздердің диффузиясы жылдам генерациялау және өзін-өзі түзететін нәтижелерге маманданған, өзін тікелей ауыстыру емес, қосымша тәсіл ретінде орналастырады.
Күшті және шектеулер
- Күшті жақтары: Жылдамдық, өңдеу мүмкіндіктері, параметр тиімділігі, код тапсырмаларында сенімді өнімділік.
- шектеулер: Абстрактілі пайымдаулар мен көптілді өлшемдер бойынша төмен көрсеткіштер; деноизизацияның бірнеше өтуіне байланысты жад көлемінің жоғарылауы; экожүйенің жетілуі авторегрессивті құралдардан артта қалады.
Gemini Diffusion жүйесіне қалай қол жеткізуге болады?
Ерте қол жеткізу бағдарламасына қосылу
Google ашты күту тізімі эксперименттік Gemini Diffusion демонстрациясы үшін — әзірлеушілер мен зерттеушілер Google DeepMind блогы арқылы тіркеле алады. Алдын ала қол жеткізу кері байланыс жинауға, қауіпсіздік протоколдарын нақтылауға және кеңірек шығарылым алдында кідіріс уақытын оңтайландыруға бағытталған.
Болашақта қол жетімділік және интеграция
Нақты шығарылым күні жарияланбағанымен, Google бұл туралы нұсқайды жалпы қолжетімділік алдағы Gemini 2.5 Flash-Lite жаңартуымен сәйкестендірілген. Болжалды интеграция жолдары мыналарды қамтиды:
- Google AI Studio интерактивті эксперимент үшін.
- Gemini API өндірістік құбырларға біркелкі орналастыру үшін.
- Үшінші тарап платформалары (мысалы, құшақтайтын бет) академиялық зерттеулер мен қауымдастық басқаратын көрсеткіштер үшін алдын ала шығарылған бақылау нүктелерін орналастыру.
Диффузия объективі арқылы мәтін мен код генерациясын қайта елестету арқылы Google DeepMind AI инновациясының келесі тарауында талап қояды. Gemini Diffusion жаңа стандартты ашады ма немесе авторегрессивті гиганттармен бірге өмір сүреді ме, оның жылдамдығы мен өзін-өзі түзететін ептілігінің үйлесімі генеративті AI жүйелерін құру, нақтылау және сену жолын өзгертуге уәде береді.
Басталу
CometAPI ендірілген API кілтін басқару, пайдалану квоталары және есеп айырысу бақылау тақталары бар дәйекті соңғы нүкте астында жүздеген AI үлгілерін, соның ішінде Gemini отбасын біріктіретін бірыңғай REST интерфейсін қамтамасыз етеді. Бірнеше жеткізушінің URL мекенжайлары мен тіркелгі деректерін араластырудың орнына.
Әзірлеушілер қол жеткізе алады Gemini 2.5 Flash Pre API (үлгі:gemini-2.5-flash-preview-05-20) және Gemini 2.5 Pro API (үлгі:gemini-2.5-pro-preview-05-06) және т.б. арқылы CometAPI. Бастау үшін ойын алаңында модельдің мүмкіндіктерін зерттеп, кеңес алыңыз API нұсқаулығы егжей-тегжейлі нұсқаулар үшін. Қол жеткізу алдында CometAPI жүйесіне кіріп, API кілтін алғаныңызға көз жеткізіңіз.