Gemini Diffusion
PulseAugur coverage of Gemini Diffusion — every cluster mentioning Gemini Diffusion across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Google 发布 DiffusionGemma，文本生成速度提升 4 倍
Google 发布了 DiffusionGemma，这是一个实验性的开源模型，旨在显著提高文本生成速度。与逐个 token 生成文本的传统自回归模型不同，DiffusionGemma 可以同时生成整个文本块，在专用 GPU 上速度最高可达原来的四倍。虽然这种方法在绝对输出质量上不如标准的 Gemma 4 模型，但它非常适合交互式本地工作流程，例如行内编辑和快速迭代。
-
阿里巴巴-清华大学关于dLLM推理的论文荣获ICML杰出论文奖
阿里巴巴与清华大学合作的论文《The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models》（灵活性陷阱：重新思考扩散语言模型中任意顺序的价值）荣获2026年ICML杰出论文奖。该研究挑战了扩散大型语言模型（dLLMs）受益于任意token生成顺序的普遍观点。研究表明，这种灵活性会导致“熵退化”，从而阻碍推理能力，尤…
-
新的反思性掩码技术使扩散模型能够进行多轮推理
研究人员引入了反思性掩码（RM），这是一种后训练技术，使掩码扩散模型（MDMs）能够通过迭代自我修正来进行多轮推理。与顺序生成的自回归模型不同，MDMs可以自然地在本地优化输出。RM允许这些模型根据不断变化的上下文重新审视和修改先前的输出，而无需进行架构更改。该方法包含一种称为历史参考的无参数机制，以帮助模型在修改过程中避免重复错误，并在文本生成、数独和图像编辑等任务中表现出改进的性能。
-
Google DeepMind 发布 DiffusionGemma，加速文本生成
Google DeepMind 发布了 DiffusionGemma，这是一个实验性的开源模型，它使用扩散过程而非逐个标记的顺序生成来生成文本。这种方法通过同时处理整个文本块，能够显著提高文本输出速度，在 GPU 上速度可达原来的四倍。虽然输出质量低于 Gemma 4 等传统的自回归模型，但 DiffusionGemma 针对速度至关重要的交互式本地工作流程进行了优化，并且在量化后可容纳在 18GB VRAM 内。