- mai 2025 avduket Google DeepMind i stillhet Gemini-diffusjon, en eksperimentell tekstdiffusjonsmodell som lover å omforme landskapet til generativ AI. Denne toppmoderne forskningsprototypen, som ble vist frem under Google I/O 2025, utnytter diffusjonsteknikker – tidligere populære innen bilde- og videogenerering – for å produsere sammenhengende tekst og kode ved iterativt å raffinere tilfeldig støy. Tidlige testresultater tyder på at den konkurrerer med, og i noen tilfeller overgår, Googles eksisterende transformatorbaserte modeller både i hastighet og kvalitet.
Hva er Gemini-diffusjon?
Hvordan brukes diffusjon til tekst- og kodegenerering?
Tradisjonelle store språkmodeller (LLM-er) er avhengige av autoregressive arkitekturer, og genererer innhold én token om gangen ved å forutsi det neste ordet betinget av alle tidligere utdata. I motsetning til dette, Gemini-diffusjon begynner med et felt med randomisert «støy» og foredler iterativt denne støyen til sammenhengende tekst eller kjørbar kode gjennom en sekvens av støyfjerningstrinn. Dette paradigmet speiler måten diffusjonsmodeller som Imagen og Stable Diffusion lager bilder på, men det er første gang en slik tilnærming har blitt skalert for tekstgenerering med produksjonslignende hastigheter.
Hvorfor «støy-til-fortelling» er viktig
Se for deg støyen på en TV-skjerm når det ikke er noe signal – tilfeldige flimringer uten form. I diffusjonsbasert AI er denne støyen utgangspunktet; modellen «skulpturerer» mening fra kaos, og pålegger gradvis struktur og semantikk. Dette helhetlige synet på hvert forbedringstrinn tillater iboende selvkorreksjon, og reduserer problemer som inkoherens eller «hallusinasjoner» som kan plage token-for-token-modeller.
Viktige innovasjoner og muligheter
- Akselerert generasjonGemini Diffusion kan produsere hele tekstblokker samtidig, noe som reduserer latensen betydelig sammenlignet med token-for-token-genereringsmetoder. ()
- Forbedret sammenhengVed å generere større tekstsegmenter samtidig oppnår modellen større kontekstuell konsistens, noe som resulterer i mer sammenhengende og logisk strukturerte resultater. ()
- Iterativ forfiningModellens arkitektur tillater feilretting i sanntid under genereringsprosessen, noe som forbedrer nøyaktigheten og kvaliteten på det endelige resultatet. ()
Hvorfor utviklet Google Gemini Diffusion?
Håndtering av flaskehalser i hastighet og latens
Autoregressive modeller, selv om de er kraftige, møter grunnleggende hastighetsbegrensninger: hvert token er avhengig av den foregående konteksten, noe som skaper en sekvensiell flaskehals. Gemini Diffusion forstyrrer denne begrensningen ved å muliggjøre parallell forbedring på tvers av alle posisjoner, noe som resulterer i 4–5 ganger raskere ende-til-ende-generering sammenlignet med autoregressive motparter av lignende størrelse. Denne akselerasjonen kan føre til lavere ventetid for sanntidsapplikasjoner, fra chatboter til kodeassistenter.
Banebrytende nye veier til AGI
Utover hastighet, er Diffusions iterative, globale perspektiv i tråd med viktige funksjoner for kunstig generell intelligens (AGI): resonnering, verdensmodellering og kreativ syntese. Google DeepMinds ledelse ser for seg Gemini Diffusion som en del av en bredere strategi for å bygge mer kontekstbevisste, proaktive AI-systemer som kan operere sømløst på tvers av digitale og fysiske miljøer.
Hvordan fungerer Gemini Diffusion under panseret?
Støyinjeksjons- og støyfjerningsløkken
- InitialiseringModellen starter med en tilfeldig støytensor.
- StøyfjerningstrinnVed hver iterasjon forutsier et nevralt nettverk hvordan støyen skal reduseres litt, veiledet av lærte språk- eller kodemønstre.
- RefinementGjentatte trinn konvergerer mot et sammenhengende resultat, der hver omgang tillater feilretting på tvers av hele konteksten i stedet for å utelukkende stole på tidligere tokens.
Arkitektoniske nyvinninger
- parallellitetVed å frakoble tokenavhengigheter muliggjør diffusjon samtidige oppdateringer, noe som maksimerer maskinvareutnyttelsen.
- Parameter EffektivitetTidlige referansetester viser ytelse på nivå med større autoregressive modeller til tross for en mer kompakt arkitektur.
- SelvkorrigeringDen iterative naturen støtter iboende justeringer mellomgenerasjoner, noe som er avgjørende for komplekse oppgaver som feilsøking av kode eller matematiske avledninger.
Hvilke målepunkter viser Gemini Diffusions ytelse?
Hastighet for token-sampling
Googles interne tester rapporterer en gjennomsnittlig samplingsfrekvens på 1,479 tokens per sekund, et dramatisk sprang over tidligere Gemini Flash-modeller, om enn med en gjennomsnittlig oppstartstid på 0.84 sekunder per forespørsel. Denne målingen understreker diffusjonens kapasitet for applikasjoner med høy gjennomstrømning.
Koding og resonneringsevalueringer
- **HumanEval (koding)**89.6 % beståttprosent, noe som tilsvarer Gemini 2.0 Flash-Lite sine 90.2 %.
- **MBPP (koding)**76.0 %, mot Flash-Lites 75.8 %.
- **BIG-Bench Ekstra Hard (resonnement)**15.0 %, lavere enn Flash-Lites 21.0 %.
- **Global MMLU (flerspråklig)**69.1 %, sammenlignet med Flash-Lites 79.0 %.
Disse blandede resultatene avslører diffusjonens eksepsjonelle evne til iterative, lokaliserte oppgaver (f.eks. koding) og fremhever områder – kompleks logisk resonnering og flerspråklig forståelse – der arkitektoniske forbedringer fortsatt er nødvendige.
Hvordan er Gemini Diffusion sammenlignet med tidligere Gemini-modeller?
Flash-Lite vs. Pro vs. Diffusion
- Gemini 2.5 Flash-Lite tilbyr kostnadseffektiv, latens-optimalisert inferens for generelle oppgaver.
- Gemini 2.5 Pro fokuserer på dyp resonnering og koding, med «Deep Think»-modus for å dekomponere komplekse problemer.
- Gemini-diffusjon spesialiserer seg på lynrask generering og selvkorrigerende resultater, og posisjonerer seg som en komplementær tilnærming snarere enn en direkte erstatning.
Styrker og begrensninger
- SterkeHastighet, redigeringsmuligheter, parametereffektivitet, robust ytelse på kodeoppgaver.
- BegrensningerSvakere ytelse på abstrakt resonnement og flerspråklige referansepunkter; høyere minneavtrykk på grunn av flere støyfjerningspasninger; økosystemets modenhet henger etter autoregressiv verktøyutvikling.
Hvordan får du tilgang til Gemini Diffusion?
Bli med i tidlig tilgangsprogrammet
Google har åpnet en venteliste For den eksperimentelle Gemini Diffusion-demoen kan utviklere og forskere registrere seg via Google DeepMind-bloggen. Tidlig tilgang har som mål å samle tilbakemeldinger, forbedre sikkerhetsprotokoller og optimalisere ventetid før bredere utrulling.
Fremtidig tilgjengelighet og integrasjon
Selv om ingen endelig utgivelsesdato er annonsert, hinter Google til generell tilgjengelighet i tråd med den kommende Gemini 2.5 Flash-Lite-oppdateringen. Forventede integrasjonsveier inkluderer:
- Google AI Studio for interaktiv eksperimentering.
- Gemini API for sømløs utrulling i produksjonsrørledninger.
- Tredjepartsplattformer (f.eks. Hugging Face) som er vert for forhåndsutgitte kontrollpunkter for akademisk forskning og fellesskapsdrevne referansepunkter.
Ved å gjenskape tekst- og kodegenerering gjennom diffusjonsperspektivet, tar Google DeepMind et ansvar i neste kapittel innen AI-innovasjon. Enten Gemini Diffusion innleder en ny standard eller sameksisterer med autoregressive giganter, lover blandingen av hastighet og selvkorrigerende ferdigheter å omforme hvordan vi bygger, forbedrer og stoler på generative AI-systemer.
Komme i gang
CometAPI tilbyr et enhetlig REST-grensesnitt som samler hundrevis av AI-modeller – inkludert Gemini-familien – under et konsistent endepunkt, med innebygd API-nøkkeladministrasjon, brukskvoter og faktureringsdashboards. I stedet for å sjonglere flere leverandør-URL-er og legitimasjonsinformasjon.
Utviklere har tilgang Gemini 2.5 Flash Pre API (modell:gemini-2.5-flash-preview-05-20) Og Gemini 2.5 Pro API (modell:gemini-2.5-pro-preview-05-06)osv. gjennom CometAPI. For å begynne, utforske modellens muligheter i lekeplassen og konsulter API-veiledning for detaljerte instruksjoner. Før du får tilgang, må du sørge for at du har logget inn på CometAPI og fått API-nøkkelen.