テキスト生成が「4倍速く」なる仕組みとは—Google「DiffusionGemma」の技術と使い方

LLMがテキストを生成するとき、なぜ最初から全部一気に出てこないのか、気になったことはありませんか。

実はこれ、LLMの根本的なアーキテクチャによるものです。
テキストは必ず前のトークンを参照しながら1つずつ順番に生成される——これが現在の主流モデルの仕組みです。

Googleが2026年6月10日に公開した「DiffusionGemma」は、その前提を覆す設計のオープンウェイトモデルです。
テキスト拡散（text diffusion）という技術を採用し、従来のLLM比で最大4倍の生成速度を達成しています。

この記事では、テキスト拡散の仕組みとDiffusionGemmaの特徴・使い方を解説します。

📖 なぜ従来のLLMは「1トークンずつ」生成するのか

ChatGPTやClaudeなど現行のLLMは、「自動回帰（オートリグレッション）」と呼ばれるアーキテクチャで動いています。

このアーキテクチャでは、次のトークンを予測するために直前のすべてのトークンを参照します。
トークンAを生成し、Aを参照してBを生成し、A・Bを参照してCを生成する——という直列処理になります。

処理が直列なので、生成するトークン数が増えるほど時間がかかります。
「なぜ文章が一気に出てこないのか」の根本的な理由がここにあります。

🎨 DiffusionGemmaはどうやって4倍速いのか

DiffusionGemmaは、画像生成AI（拡散モデル）の発想をテキスト生成に応用しています。

Googleによると「Uniform State Diffusion」と呼ばれる技術を採用しているとされています。
ランダムなプレースホルダーで埋められた256トークン分の「キャンバス」を開き、全スロットのトークンをステップを重ねながら並列で洗練させていく仕組みです。

1トークンずつ順番に書くのではなく、全体のアウトラインを先に描いてから少しずつ詳細を埋めていくイメージに近いです。
1回のフォワードパスで15〜20トークンを処理できるため、生成速度が大幅に向上します。

画像生成AIでノイズから少しずつ絵を描き出していく仕組みをご存じの方には、それをテキストに応用したものと考えると理解しやすいかもしれません。

⚡ 実際の生成速度

Googleの発表によると、DiffusionGemmaは以下の速度を達成しています。

• H100（FP8・低バッチサイズ設定）: 1,100トークン/秒以上

• GeForce RTX 5090: 700トークン/秒以上

従来のLLM比で最大4倍の速度とされています。

NVIDIAがRTX向けに最適化したNVFP4版も提供されており、ハイエンドコンシューマーGPUでも動作します。
高性能コンシューマーGPUでも動作できるほどメモリ効率が高い点も特徴の一つです。

📦 スペックと基本情報

DiffusionGemmaの主な仕様です。

• ベースモデル: Gemma 4（26B-A4B MoEアーキテクチャ）

• 推論時のアクティブパラメータ: 3.8B（総パラメータは26B）

• ライセンス: Apache 2.0（商用利用可能）

• 対応言語: 35以上の言語（多言語NLPタスクを想定）

• 入力形式: テキスト・画像・動画のマルチモーダル対応

「26Bモデルなのに推論時は3.8B」というのは、MoE（Mixture of Experts）アーキテクチャによるものです。
全パラメータのうち、各推論で実際に使われるのは一部だけという設計で、速度とメモリ効率を両立しています。

🗣️ どんな用途に使えるか

DiffusionGemmaが対応しているユースケースは以下の通りです。

• 会話AI・チャットボット

• テキスト要約

• コード生成・ステップバイステップ推論

• 画像・文書理解（OCR・チャート・PDF・スクリーン解析）

• 動画コンテンツ分析

• エージェントワークフロー（ネイティブ関数呼び出し対応）

• 多言語NLPタスク

通常のLLMが担う用途をほぼカバーしており、特に「速度がボトルネックになる場面」での活用が期待できます。
リアルタイムのチャットボット・大量文書の要約バッチ処理・エージェントの内部推論など、速さが重要になるシステムに向いています。

🚀 HuggingFaceからダウンロードして使う

DiffusionGemmaはHuggingFaceで公開されており、特別な申請なしでダウンロードできます（HuggingFaceのアカウントは必要です）。

利用可能なバリアントは以下の通りです。

• 標準版: google/diffusiongemma-26B-A4B-it

• GGUF版（量子化済み）: unsloth/diffusiongemma-26B-A4B-it-GGUF

• NVFP4版（NVIDIA最適化）: nvidia/diffusiongemma-26B-A4B-it-NVFP4

推論コードやセットアップ手順は 公式ドキュメント（ai.google.dev/gemma/docs/diffusiongemma） に掲載されています。

対応フレームワークは以下の通りです。

• vLLM（高速推論サーバー）

• HuggingFace Transformers

• MLX（Apple Siliconで動作）

• Unsloth（量子化特化）

• NVIDIA NeMo（エンタープライズ向け）

公開初日からこれらのフレームワークに対応しており、既存のパイプラインへの組み込みがしやすい設計になっています。

🌏 日本語環境での利用

DiffusionGemmaは35以上の言語の多言語NLPタスクに対応していると記載されており、日本語もその対象に含まれるとされています。

グローバルに公開されているため、日本国内からもHuggingFaceを通じて問題なく利用できます。
テキスト生成速度がボトルネックになるシステムを開発している日本の開発者・研究者にとって、試してみる価値がある選択肢の一つです。

⚠️ 現時点での注意点

DiffusionGemmaは「実験的なモデル」として公開されています。
商用本番環境への組み込みは、品質と安定性を十分に評価してからになります。

従来のTransformerモデルとはアーキテクチャが大きく異なるため、通常のLLM向け推論コードはそのまま使えません。
対応フレームワーク（vLLM・HuggingFace Transformers等）の最新版を使う必要があります。

「4倍速い」という数値はH100・低バッチサイズ設定での測定値です。
一般的なGPUやCPUでの速度は、この数値とは異なる可能性があります。

また、SWE-Bench ProのようなコーディングベンチマークでClaude Codeを上回るスコアを記録したMiMo Codeと比べると、DiffusionGemmaは「汎用LLMの高速化」に主眼を置いたモデルです。
コーディングエージェントとして使うのではなく、「速いテキスト生成インフラ」として捉えるのが適切です。

📝 まとめ

DiffusionGemmaは、テキスト生成の根本的な仕組みを変えた実験的モデルです。
従来の「1トークンずつ直列生成」ではなく、「256スロットを並列で洗練」するアプローチにより、H100で最大1,100トークン/秒を達成しています。

Apache 2.0ライセンスでHuggingFaceから無料ダウンロードでき、vLLM・MLX・Unsloth・NVIDIA NeMoにも対応しています。
35以上の言語に対応しており、日本語のNLPタスクも対象に含まれるとされています。

実験的なモデルではありますが、高速なテキスト生成が求められる場面での可能性を示す一作です。
興味があれば、HuggingFaceからダウンロードして試してみてください。

少しでも参考になれば幸いです。
最後まで読んでいただきありがとうございました。

#AI #生成AI #AIツール #テクノロジー #Google #DiffusionGemma #解説 #エンジニア