← すべてのモデル

DiffusionGemma

公開日 提供元 Google

概要

DiffusionGemmaは、Google DeepMindが開発した実験的なオープンウェイトのマルチモーダル生成モデルです。Gemma 4のMoEアーキテクチャを基盤とし、低遅延のローカル利用やテキスト拡散の研究を目的としています。重みはApache 2.0ライセンスで公開されています。公式発表日は2026年6月10日です。(blog.google)

仕様と能力

  • 対象リリース:diffusiongemma-26B-A4B-it。モデルカードによると、総パラメータは約252億、推論時の有効パラメータは約38億です。コンテキスト長は最大256Kトークンです。(ai.google.dev)
  • テキスト、画像、動画を入力し、テキストを出力します。音声入力には対応していません。画像とテキストの混在入力、OCR、文書解析、動画フレームの理解、コード生成・補完、関数呼び出し、設定可能な推論モードに対応します。(ai.google.dev)
  • 離散拡散を用い、最大256トークンのブロックを反復的に並列修正します。Googleは専用GPUで最大4倍の生成速度、単一H100で毎秒1,000トークン超、RTX 5090で毎秒700トークン超と報告しています。実際の速度はハードウェアや推論条件に依存します。(blog.google)
  • 量子化時は18GB VRAMの範囲に収まるとされています。Transformers、vLLM、MLXなどを使った実行や、タスク別のファインチューニングが案内されています。(blog.google)

主な用途

インライン編集、コード補完、対話型アプリ、文書・画像の情報抽出、低遅延のローカル生成、非線形なテキスト構造の生成、および拡散言語モデルの研究に適しています。(blog.google)

制限

  • 実験モデルであり、Googleによれば全体的な出力品質は標準のGemma 4より低く、最高品質が必要な用途には標準Gemma 4が推奨されます。(blog.google)
  • 高同時接続のクラウド環境では速度上の利点が小さくなり、配信コストが高くなる場合があります。Apple Siliconのような統合メモリ環境では、同等の高速化が得られない場合があります。(blog.google)
  • 誤情報、古い情報、偏りを含む出力があり得ます。複雑な課題や言語の微妙なニュアンスにも限界があります。動画は毎秒1フレームで処理する場合、最大60秒です。(ai.google.dev)

料金

2026年11月16日確認:GoogleのGemini API公式料金表では、このモデル固有の入力・出力トークン単価を確認できませんでした。通貨、課金単位、入力料金、出力料金はいずれも未確認です。公開重みの自己ホストには、利用する計算資源などの費用が別途生じ得ます。(aistudio.google.com)

公式情報