DiffusionGemma: ثورة في سرعة توليد النص — وربما في طريقة تفكيرنا في النماذج اللغوية

منذ ظهور GPT-2، سادت في النماذج اللغوية فلسفة واحدة: ولّد النص كلمةً كلمةً، من اليسار إلى اليمين (أو من اليمين إلى اليسار في العربية)، وكل كلمة تبنى على ما سبقها. هذا ما يُسمّى «التوليد الذاتي الانحداري» (Autoregressive Generation).

DiffusionGemma يكسر هذه الفلسفة من الأساس. بدلًا من التسلسل، يبدأ النموذج بنص كامل من الضوضاء العشوائية ويكرر تنقيته دورة بعد دورة حتى يظهر النص المنطقي. مثل صورة فوتوغرافية تتضح تدريجيًا من الضبابية إلى الحدة.

الأرقام: 4x على H100 — ماذا يعني ذلك عمليًا؟

النموذج بحجم 26 مليار معامل (26B) بنية Mixture of Experts (MoE) — أي أن جزءًا منتقى فقط من المعاملات يُفعَّل لكل استعلام. على NVIDIA H100، يولّد النموذج أكثر من 1000 رمز في الثانية الواحدة — مقارنة بـ 250-300 رمز/ثانية في النماذج الانحدارية المماثلة.

السبب البنيوي: نماذج الانتشار تستطيع معالجة الرموز بالتوازي لا بالتسلسل. في النموذج الانحداري، لا يمكنك حساب الرمز رقم 100 قبل أن تنتهي من الرموز 1-99. في نموذج الانتشار، يمكن معالجة الجميع معًا.

الانتباه ثنائي الاتجاه: الميزة والقيد في آنٍ واحد

DiffusionGemma يستخدم «انتباهًا ثنائي الاتجاه» (Bidirectional Attention) — أي أن كل رمز يرى السياق قبله وبعده في نفس الوقت. هذا يمنح النموذج قدرة تماسك داخلي أعلى من الناحية النظرية.

لكنه أيضًا يعني أن النموذج لا يمكنه التوليد الجزئي التدريجي «streaming» بنفس الطريقة — وهذا قيد حقيقي في سيناريوهات مثل المحادثات الفورية حيث يريد المستخدم رؤية النص يتشكّل تدريجيًا.

ما الذي لا يستطيع DiffusionGemma فعله — وهذا مهم

أولًا: جودة المخرجات — لا تزال أقل من Gemma 4 الانحداري في معايير قياسية مثل MMLU وGSM8K. السرعة الأعلى تأتي بتكلفة جودة ملموسة في مهام التفكير المعقدة.

ثانيًا: Apple Silicon — رقائق M-series تتفوق في معالجة العمليات التسلسلية بكفاءة عالية. نماذج الانتشار النصي مُصمَّمة للاستفادة من التوازي الهائل في GPU المتخصصة مثل H100. على MacBook Pro أو iPad، لن ترى هذا التسريع.

ثالثًا: خدمات السحابة عالية الطلب — نماذج الانتشار لا تتعامل بكفاءة مع آلاف الطلبات المتزامنة بنفس كفاءة النماذج الانحدارية المُحسَّنة لهذا الغرض. للتطبيقات التي تخدم ملايين المستخدمين، الجدوى الاقتصادية لا تزال في صالح النماذج التقليدية.

أين تكمن القيمة الحقيقية إذن؟

القيمة ليست في «استبدال» النماذج الانحدارية. القيمة في فتح نافذة جديدة: هل يمكن لمقاربات غير تسلسلية أن تُكمل النماذج التسلسلية في حالات استخدام محددة؟ توليد وثائق طويلة، توليد كود كامل، تلخيص — حالات لا يحتاج فيها المستخدم للتدفق التدريجي.

على المدى البعيد، إذا تمكّن الباحثون من رفع جودة نماذج الانتشار النصي لتقترب من جودة النماذج الانحدارية مع الحفاظ على الميزة السرعة — نكون أمام تحول بنيوي حقيقي في صناعة الذكاء الاصطناعي.

المصدر: Google DeepMind Blog — 13 يونيو 2026