何が起きたか
Google DeepMindは、テキスト拡散モデル「DiffusionGemma」を公開しました。特徴は作り方にあります。新規に拡散モデルを学習させたのではなく、既存の自己回帰モデルGemma-4-26B-A4Bを、元の学習トークン予算の10%未満で拡散モデルへ「変換」しています。学習は2段階で、まずノイズを加えたテキストブロックの復元を学ばせ、次に強化学習とサンプラー蒸留を1つのプロセスに統合した「SD·RL」を回します。強化学習は回答品質を、蒸留は少ない計算ステップでの動作を担う——本来別々の目的を持つ手法を同時に走らせるのがGoogleの主張する新しさです。結果として推論系ベンチマークは平均10ポイント向上し、計算ステップあたりのトークン数はほぼ4倍になりました。副作用として回答が約50%短くなり、これも速度に効いています。
なぜ重要か：「書き始めた文字を取り消せない」制約が外れる
通常の言語モデルは左から順にトークンを確定させるため、答えの最初の桁を、推論を終える前にコミットせざるを得ません。報告された数学問題では、Gemma 4は「-1」と書き始め、導出の途中で正解が「-25」だと気づき、後から訂正を追記しています。DiffusionGemmaは答えと推論を並行して形成するため、出力が確定する前の後段のデノイズ工程で誤りを修正できます。数独が好例です。各マスの値が後から埋まるマスに依存するこの課題を、ベースモデルは全く解けない一方、DiffusionGemmaは最小限のファインチューニングで約85%を正答します。
速さの正体と、割り切られた品質
用途によっては効き方が極端です。JSONのような構造化出力やコード修正は、入力の時点で大半のトークンが決まっているため、2〜3回の精緻化ステップで完了します。一方、品質ベンチマークでは自己回帰版のGemma 4に劣ります。Googleはその理由を、後付けの変換であること、追加学習期間が短いこと、SD·RLが品質のピークより速度を優先する設計であること、アーキテクチャや学習データ設定をGemma 4から引き継いだことに求めています。実際、計算ステップを削り込んだ副作用として同じ単語を繰り返すループに陥ることがあり、マルチモーダル課題では推論セクションを正しく閉じ忘れてスコアを不当に下げる現象も報告されています。
見落とせない前提：速度優位は「同時32リクエスト」で消える
速度の利点が明確に効くのは主にシングルユーザー環境です。同時リクエストが32件ほどに達すると、スループットでは通常の言語モデルが追いついてきます。DiffusionGemmaは1語ずつ生成する従来モードも保持しており、タスクに応じて切り替えられます。Googleはこれを実験的モデルと明言し、テキスト拡散の研究加速と、省リソースな特化型派生のための土台提供を目的に掲げています。すでにスタートアップInterfazeが多言語音声認識に、また対話的な放射線レポート生成の研究プロジェクトが利用しています。モデルはApache 2.0ライセンスでHugging Faceに公開済みで、前身は2025年5月にデモされたGemini Diffusionです。
💼 事業会社視点：これは自社にどう効くか
経営判断に効くのは「品質で最上位を狙うモデル」ではなく「特定タスクで桁違いに速い選択肢が、Apache 2.0で手元に置ける」という点です。とりわけ受託開発・SaaS事業者は、JSON整形やコード修正が2〜3ステップで終わるという性質を評価すべきです。エージェントのツール呼び出し、フォーム抽出、既存コードのリファクタ提案など「出力形式が入力でほぼ決まる」処理は、汎用の大型モデルをAPI課金で回し続ける必然性が薄れます。ECなら商品説明の構造化、SaaSなら管理画面のインライン補完のように、レイテンシがUXに直結する箇所から切り替え候補を洗い出すのが現実的です。
ただし前提条件は厳格に見てください。速度優位は同時約32リクエストで消えます。つまり全社共有の推論基盤に載せるほど旨味は減り、逆に端末側・専用インスタンス・低トラフィックな社内業務では効きます。日本企業にとっては、Apache 2.0で自社データ環境に閉じたまま特化学習できることの価値も大きい。数独を約85%解けるようになった事実は、「並列に整合を取る」型の業務——シフト表、配車、在庫割当——への転用余地を示唆します。一方で単語のループや推論セクション未閉鎖といった不安定さは実在するため、いきなり顧客接点に出さず、社内ツールでの検証から始めるのが妥当です。「実験的モデル」というGoogleの位置づけは額面通りに受け取り、研究開発予算の枠で1四半期試す判断が現実的でしょう。
