DiffusionGemma: Google เปิดโมเดลภาษาแบบ diffusion — เขียนข้อความเร็วขึ้น 4 เท่า แก้ตัวเองได้กลางทาง

เมื่อวันที่ 10 มิถุนายน 2026 ทีม Google for Developers เผยแพร่ developer guide ของ DiffusionGemma — โมเดลภาษาแบบ open weight ที่เปลี่ยนวิธีสร้างข้อความจากการทำนายทีละ token แบบ autoregressive ไปเป็น discrete text diffusion คือเริ่มจาก “ผืนผ้าใบ” (canvas) ของ token สุ่ม แล้วค่อย ๆ ขัดเกลาให้คมขึ้นพร้อมกันทั้งบล็อก โมเดลสร้างบนสถาปัตยกรรม Gemma 4 แบบ 26B Mixture-of-Experts แต่ activate แค่ 3.8B พารามิเตอร์ตอน inference จึงรันแบบ quantized ได้ในขีดจำกัด VRAM 18 GB

จุดขายหลักคือ ความเร็ว — Google ระบุว่าเร็วกว่าการ generate ทีละ token ได้ถึง 4 เท่าบน GPU ทำได้กว่า 700 tokens/วินาทีบน NVIDIA RTX 5090 และทะลุ 1,000 tokens/วินาทีบน H100 ตัวเดียว โมเดลนี้ปล่อยภายใต้สัญญาอนุญาต Apache 2.0 บน Hugging Face และยังถือเป็น “experimental”

ทำไม diffusion ถึงเร็วและ “แก้ตัวเอง” ได้

โมเดล LLM ทั่วไปติดคอขวดที่ memory bandwidth เพราะต้องโหลด weight จากหน่วยความจำซ้ำ ๆ เพื่อสร้าง token ทีละตัว DiffusionGemma ย้ายคอขวดนั้นไปที่ compute แทน ด้วยการสร้างและขัดเกลา canvas ขนาด 256 token พร้อมกัน ทำให้ดึงพลัง tensor core ที่ปกติว่างอยู่ตอน serve บนเครื่องเดียวมาใช้เต็มที่

ข้อได้เปรียบเชิงคุณภาพคือ bidirectional attention — ทุก token มองเห็นทั้งบล็อกพร้อมกัน ไม่ใช่แค่มองย้อนหลังเหมือน autoregressive ทำให้โมเดล “แก้ที่ผิด” กลางทางได้: ถ้าความมั่นใจของ token ไหนตก ตัว sampler จะ re-noise แล้วสุ่มใหม่ ต่างจากโมเดลทั่วไปที่เมื่อพิมพ์ token ออกไปแล้วก็ “ติด” อยู่กับมัน Google โชว์ตัวอย่างการแก้ Sudoku ที่ autoregressive ทำได้ยากเพราะเขียนซ้ายไปขวาอย่างเดียว ขณะที่ DiffusionGemma เวอร์ชัน fine-tune ด้วย recipe JAX ง่าย ๆ แก้โจทย์ได้สำเร็จถึง 80% (จากเกือบ 0% ในตัว base)

สำหรับข้อความที่ยาวเกิน 256 token โมเดลใช้วิธี block-autoregressive — เมื่อ denoise บล็อกหนึ่งเสร็จก็ commit เข้า KV cache แล้วเริ่ม canvas ใหม่ต่อ ผสมความเร็วแบบขนานของ diffusion เข้ากับเสถียรภาพแบบ sequential ของ AR

รันได้เลยด้วยเครื่องมือที่คุ้นเคย

Google ทำงานกับทีม vLLM เพื่อให้ deploy ได้ผ่าน OpenAI-compatible local server มาตรฐาน นอกจากนี้ยังรันได้บน Hugging Face Transformers, SGLang และ MLX ฝั่ง deploy บน cloud ใช้ Model Garden หรือ NVIDIA NIM ได้ทันที พร้อม recipe fine-tune ผ่าน Hackable Diffusion (JAX), Unsloth และ NVIDIA NeMo

ข้อควรรู้: Google ระบุชัดว่าเพราะ DiffusionGemma เน้นความเร็วและการสร้างแบบขนาน คุณภาพโดยรวมจึงต่ำกว่า Gemma 4 ปกติ ถ้างานต้องการคุณภาพสูงสุดยังควรใช้ Gemma 4 มาตรฐาน DiffusionGemma เหมาะกับงานที่เน้นความเร็วและการโต้ตอบแบบ local เช่น in-line editing, การวนซ้ำเร็ว ๆ และการสร้างโครงสร้างข้อความแบบไม่เป็นเส้นตรง

มุมมอง AI Curator

DiffusionGemma คือสัญญาณว่าการแข่งขัน LLM กำลังเปิดแนวรบใหม่ที่ไม่ใช่แค่ “ฉลาดขึ้น” แต่เป็น “วิธีคิดต่างออกไป” — text diffusion เคยเป็นงานวิจัยที่ดูไกลตัว วันนี้ Google เอามาแพ็กเป็น open weight ที่รันบนการ์ดเกม RTX 5090 ได้จริง สิ่งที่น่าสนใจที่สุดไม่ใช่ตัวเลข 4 เท่า แต่เป็นความสามารถ self-correction ที่อาจแก้จุดอ่อนเรื้อรังของ LLM เรื่องการ “พิมพ์ผิดแล้วเดินหน้าผิดต่อ” ได้ในเชิงสถาปัตยกรรม

สำหรับนักพัฒนาไทย/SEA โมเดลที่ activate แค่ 3.8B และรันใน VRAM 18 GB เป็นข่าวดีเรื่องต้นทุน — งาน on-device หรือ local inference ที่ต้องการ latency ต่ำ เช่น autocomplete, code assist ในเครื่อง หรือแอปที่ห้ามส่งข้อมูลออก cloud จะได้ตัวเลือกที่เร็วและถูกลง แต่ต้องอ่านป้ายเตือนของ Google ให้ดี: คุณภาพยังต่ำกว่า Gemma 4 ปกติ การเลือกใช้จึงควรแยกให้ชัดว่างานไหน “เน้นเร็ว/โต้ตอบ” (ใช้ DiffusionGemma) กับงานไหน “เน้นคุณภาพ” (ใช้ Gemma 4) — และเพราะมันยัง experimental การเอาขึ้น production จริงควรมี eval ของตัวเองรองรับเสมอ

แหล่งข่าว:

• DiffusionGemma: The Developer Guide — Google Developers Blog
• DiffusionGemma: 4x faster text generation — blog.google
• Google AI Releases DiffusionGemma, a 26B MoE Open Model — MarkTechPost