谷歌押注扩散架构：文本生成速度暴涨4倍，挑战自回归范式

导语

2026年6月12日，谷歌低调公布其在文本生成领域的最新突破：尝试将原本用于图像生成的扩散模型技术应用于文本生成任务，生成速度较传统自回归模型暴涨4倍。这一技术路线的切换，直接挑战了GPT系列长期主导的自回归范式。

为什么是扩散模型？

自回归模型（如GPT系列）逐词生成文本，虽然质量高，但延迟与token数量成正比，长文本生成速度慢。扩散模型则并行去噪，一次生成整个序列，在图像领域已证明其速度与质量可以兼得。谷歌将其迁移到文本，意味着长文本、实时对话、流式交互等场景的延迟有望大幅降低。

4倍的提升不是小数字：在客服、实时翻译、语音交互等对延迟敏感的场景中，生成速度直接决定用户体验。扩散文本模型若能保持可比的生成质量，将重构推理侧的成本结构——同样的硬件可服务4倍的用户量。

背景分析：架构创新的回归

过去两年，大模型竞争的焦点是规模与数据，架构创新相对沉寂。Transformer一统天下的局面，让很多人忘记了\”范式\”本身也可以被颠覆。谷歌此次出手，延续了其\”架构创新者\”的人设——从Transformer到扩散模型，谷歌研究院历史上多次定义了AI的技术路线。

值得注意的是，谷歌选择此时公布，正值Anthropic Mythos 5与OpenAI GPT-5.6正面交锋之际。在模型能力上硬碰硬之外，谷歌试图用\”更快更便宜\”的差异化路线开辟第二战场。

影响展望

如果扩散文本模型在公开评测中证明质量不打折，推理市场的格局将被改写：API价格可能进一步下探，实时AI应用（如AI电话客服、同步翻译）的体验将质变。对英伟达等算力厂商而言，单位token的算力消耗下降可能影响推理芯片的需求测算——但历史经验表明，效率提升往往带来更大的总需求（杰文斯悖论）。架构之争，永远是AI行业最值得关注的暗线。