DiffusionGemma: Google เปิดโมเดลภาษาแบบ "diffusion" โอเพนเวตตัวแรก — สร้างข้อความทีละบล็อก เร็วกว่าเดิม 4 เท่า รันบน RTX 4090 ได้

Google DeepMind ปล่อย DiffusionGemma โมเดลภาษาที่เปลี่ยนวิธี “สร้างข้อความ” ไปจากเดิม — แทนที่จะไล่ทำนายทีละโทเคนแบบ autoregressive (ซึ่งคือวิธีของ GPT, Gemma, Llama และแทบทุกโมเดลที่เราใช้กันอยู่) DiffusionGemma ใช้กระบวนการ diffusion เหมือนโมเดลสร้างภาพ คือเริ่มจาก “ผ้าใบ” ของโทเคนที่เป็น noise แล้วค่อย ๆ ลด noise (denoise) จนกลายเป็นข้อความที่อ่านรู้เรื่อง โดยทำ ทั้งบล็อก 256 โทเคนพร้อมกันในแต่ละรอบ ไม่ใช่ทีละตัว

จุดที่ทำให้นักพัฒนาสายโลคอลควรสนใจคือ มันเป็น โมเดล text-diffusion ตัวแรกที่มาพร้อม open weights ระดับ mainstream ปล่อยภายใต้ Apache 2.0 ขึ้น Hugging Face / Kaggle / Vertex AI Model Garden พร้อมกัน และมีขนาดที่ รันบนการ์ดจอผู้บริโภคอย่าง RTX 4090 หรือ 5090 (24GB) ได้จริงเมื่อ quantize นี่ไม่ใช่งานวิจัยในกระดาษอีกต่อไป แต่เป็นของที่โหลดมารันเองได้วันนี้

diffusion สร้างข้อความได้อย่างไร — และทำไมถึงเร็วกว่า

โมเดลภาษาทั่วไปสร้างข้อความแบบ “ต่อคำ” — ทำนายโทเคนถัดไป แล้วป้อนกลับเข้าไปทำนายตัวถัดไป วนแบบนี้ทีละตัว ความเร็วจึงถูกจำกัดด้วยจำนวนรอบที่ต้องวน เท่ากับจำนวนโทเคนที่ output

DiffusionGemma ทำคนละแบบ มันมองข้อความทั้งบล็อกเป็นภาพที่มี noise แล้ว denoise ทั้งบล็อกพร้อมกันด้วย bi-directional attention (มองได้ทั้งซ้ายและขวา ไม่ใช่แค่ย้อนหลัง) สร้าง 256 โทเคนต่อหนึ่ง forward pass ผลคือความเร็วในการ generate พุ่งขึ้น Google รายงานว่าได้ เกิน 1,000 โทเคน/วินาทีบน NVIDIA H100 ตัวเดียว เร็วกว่าโมเดล autoregressive ที่เทียบกันได้ถึง 4 เท่า และบนเครื่องระดับเวิร์กสเตชันอย่าง DGX Station แตะ ~2,000 โทเคน/วินาที

ข้อดีแฝงอีกอย่างของการมองทั้งบล็อกพร้อมกันคือ ความสอดคล้องเชิงตรรกะระดับ global — เพราะโมเดลไม่ได้ “ตัดสินใจคำแรกไปแล้วต้องอยู่กับมัน” แต่ปรับทั้งย่อหน้าไปพร้อมกัน เหมาะกับงานที่ต้องวางโครงทั้งก้อน เช่นโค้ดหรือข้อความที่มีโครงสร้าง

สเปกที่ต้องรู้: MoE 26B แต่ active แค่ 3.8B

DiffusionGemma เป็น Mixture-of-Experts ขนาดรวม 26B พารามิเตอร์ แต่ active เพียง ~3.8B ต่อการ inference หนึ่งครั้ง — สถาปัตยกรรมแบบนี้คือเหตุผลที่มัน “เล็กพอจะรันบนการ์ดผู้บริโภค” ขณะที่ยังมีความจุของโมเดลใหญ่ ตัวมันสร้างต่อยอดจาก Gemma 4 และได้แรงบันดาลใจจากงานวิจัย Gemini Diffusion ก่อนหน้า

ฝั่ง ecosystem ก็พร้อมใช้ตั้งแต่วันแรก: NVIDIA ยืนยัน day-zero support ใน Hugging Face Transformers, vLLM และ Unsloth ส่วน llama.cpp กำลังจะตามมา และบนการ์ด Blackwell มีการรองรับฟอร์แมต NVFP4 (4-bit floating point) ช่วยให้รันเร็วและกินแรมน้อยลงอีก

ข้อแลกเปลี่ยนที่ต้องรับรู้: เร็วแลกกับคุณภาพ

Google พูดตรงไปตรงมาว่า DiffusionGemma เป็นโมเดล experimental และ ทำคะแนนต่ำกว่า Gemma 4 มาตรฐานในแทบทุก benchmark ที่เผยแพร่ — มันคือการแลก “ความแม่นยำ” กับ “ความเร็วและ throughput” ฉะนั้นสำหรับงาน production ที่เน้นคุณภาพ Google ยังแนะนำ Gemma 4 ตามปกติ DiffusionGemma เหมาะกับงานที่ปริมาณและ latency สำคัญกว่าความเป๊ะสูงสุด เช่น draft จำนวนมาก, งาน batch, หรือเป็นสนามทดลองของ inference paradigm ใหม่

พูดอีกแบบ: คุณค่าหลักของ release นี้ไม่ใช่ “โมเดลที่เก่งที่สุด” แต่คือ การเอาสถาปัตยกรรม diffusion สำหรับข้อความออกมาให้คนทั่วไปแตะได้จริงเป็นครั้งแรก ด้วย open weights และ tooling ที่พร้อม

มุมมอง AI Curator

ที่ผ่านมา “diffusion สำหรับข้อความ” เป็นหัวข้อวิจัยที่น่าตื่นเต้นแต่จับต้องยาก — มี Mercury ของ Inception Labs และ Gemini Diffusion ที่เป็น API ปิด การที่ Google ยอมปล่อย open weights ภายใต้ Apache 2.0 พร้อม day-zero support ใน vLLM/Transformers/Unsloth คือก้าวที่ทำให้คอมมิวนิตี้เริ่ม “เล่นจริง” กับ paradigm นี้ได้ และนั่นมักเป็นจุดที่นวัตกรรมเร่งตัว — เหมือนที่ Stable Diffusion เปิดประตูให้วงการภาพเมื่อหลายปีก่อน

สำหรับนักพัฒนาไทยและ SEA ประเด็นที่ผมว่าน่าจับต้องที่สุดคือเรื่อง เศรษฐศาสตร์ของ throughput ไม่ใช่ตัวเลข benchmark งานจำนวนมากในภูมิภาคเรา — แชตบอตบริการลูกค้า, สรุปเอกสารแบบ batch, ดึงข้อมูลจากฟอร์ม — ไม่ได้ต้องการโมเดลฉลาดที่สุด แต่ต้องการ “ตอบเร็ว ต้นทุนต่อโทเคนต่ำ และรันบนฮาร์ดแวร์ที่มีอยู่” โมเดลที่เร็วขึ้น 4 เท่าบน GPU ตัวเดียวเปลี่ยนสมการต้นทุนของงานพวกนี้โดยตรง โดยเฉพาะทีมที่รันโลคอลเพื่อเลี่ยงค่า API และเก็บข้อมูลไว้ในประเทศ

แต่ก็ต้องไม่หลงประเด็น: นี่คือโมเดล experimental ที่คุณภาพยังต่ำกว่า Gemma 4 อย่าเพิ่งเอาไปแทนของ production ทันที สิ่งที่ควรทำตอนนี้คือ โหลดมาลองวัด throughput จริงกับ workload ของตัวเอง ดูว่าคุณภาพที่ลดลงยอมรับได้ไหมแลกกับความเร็ว — ถ้าใช่ คุณอาจประหยัดค่า inference ได้มหาศาล ถ้าไม่ใช่ อย่างน้อยก็ได้เห็นว่าอนาคตของ inference อาจไม่ใช่ “ทีละโทเคน” อีกต่อไป

แหล่งข่าว

• DiffusionGemma — Google DeepMind (หน้าโมเดลทางการ)
• NVIDIA: Accelerating DiffusionGemma for Local AI on RTX
• MarkTechPost: Google AI Releases DiffusionGemma, a 26B MoE Open Model