Qu’est-ce que DiffusionGemma 26B A4B ?
DiffusionGemma est un modèle ouvert expérimental de Google DeepMind, lancé le 10 juin 2026. Il reprend l'architecture mixture-of-experts de Gemma 4 26B A4B (25,2 milliards de paramètres, 3,8 milliards actifs, 8 experts sur 128 par token) et change la façon d'écrire le texte. Au lieu de produire un token à la fois, il ébauche un bloc de 256 tokens, affine le bloc entier en plusieurs passes de débruitage, puis passe au bloc suivant.
Cela déplace le goulot d'étranglement sur un seul GPU de la bande passante mémoire vers le calcul. Google annonce plus de 1 000 tokens par seconde sur un NVIDIA H100 et plus de 700 sur une GeForce RTX 5090, et indique qu'une version quantifiée tient dans 18 Go de VRAM. Il lit le texte, les images et les images de vidéo, écrit du texte, dispose d'un mode de réflexion et de l'appel de fonctions, et conserve le contexte de 256K tokens de Gemma 4. Il n'accepte pas l'audio.
Les poids sont sous Apache 2.0. Sur les 30 derniers jours, ils ont été téléchargés environ 636 000 fois sur Hugging Face.
DiffusionGemma 26B A4B vaut-il le coup ?
DiffusionGemma échange de la qualité contre de la vitesse, et la fiche de Google montre dans quelle mesure. Face au Gemma 4 26B A4B standard, il obtient 77,6% sur MMLU Pro contre 82,6%, 69,1% sur AIME 2026 contre 88,3%, 69,1% sur LiveCodeBench v6 contre 77,1%, et 56,2% sur le test d'usage d'outils Tau2 contre 68,2%. La vision recule davantage : 54,3% sur MMMU Pro contre 73,8%, et une erreur OmniDocBench doublée (0,319 contre 0,149). Le rappel en contexte long à 128K tombe de 44,1% à 32,0%.
Ce que vous gagnez, c'est la latence. En produisant 15 à 20 tokens par passe, il dépasse 1 000 tokens par seconde sur un H100 et 700 sur une RTX 5090, ce que Google chiffre à jusqu'à quatre fois plus vite que les modèles habituels sur GPU dédiés. Les prompts simples et le code demandent moins d'étapes de débruitage, la vitesse varie donc selon la tâche. Comme chaque token d'un bloc voit les autres, il peut aussi combler des trous dans du code et corriger ses propres erreurs avant de terminer un bloc.
La vitesse n'apparaît que dans un cas de figure. Google indique que l'avantage est maximal avec des lots petits à moyens sur un seul accélérateur, s'estompe en service cloud à fort trafic, où il peut coûter plus cher, et peut ne pas apparaître du tout sur les machines à mémoire unifiée comme les Mac Apple Silicon. La prise en charge de llama.cpp était annoncée comme imminente au lancement.
C'est donc un outil pour le travail local interactif : édition en ligne, autocomplétion, brouillons rapides où attendre coûte plus cher qu'une réponse un peu moins bonne. Pour les traitements par lots, les agents ou la lecture de documents, le Gemma 4 26B autorégressif est meilleur sur chaque benchmark publié par Google.
Là où il fait la différence
Un ingénieur outils développeurs dans une start-up d'IDE
Proposer des modifications de code en ligne, en local, qui s'affichent presque instantanément
Servez le modèle quantifié sur une RTX 5090 avec vLLM et utilisez-le pour compléter du code, là où ses blocs bidirectionnels aident. Google cite plus de 700 tokens par seconde sur cette carte ; gardez Gemma 4 pour les refactorisations plus difficiles.
Une rédactrice technique dans un éditeur de logiciels disposant d'un GPU de station de travail
Rédiger et réécrire des sections de documentation sans attendre chaque paragraphe
Exécutez-le en local, réflexion désactivée, pour des brouillons rapides. Google affirme qu'il referme correctement le Markdown complexe ; la qualité est inférieure à Gemma 4, vérifiez donc les faits et les exemples de code.
Avant de vous engager
- Mise en route
- Installez la dernière version de transformers et chargez DiffusionGemmaForBlockDiffusion, ou servez-le avec vLLM ou MLX. Google recommande son échantillonneur à borne d'entropie avec jusqu'à 48 étapes de débruitage, qui s'arrête généralement après 12 à 16.
- Intégrations
- transformers, vLLM avec le soutien de Red Hat, MLX, NVIDIA NIM, Unsloth et NeMo pour le fine-tuning, et la bibliothèque JAX Hackable Diffusion de Google.
- Données et confidentialité
- Auto-hébergé : les prompts restent sur votre matériel. Apache 2.0 autorise l'usage commercial et la modification.
- Coût à grande échelle
- Les poids sont gratuits ; une carte de classe RTX 4090 ou 5090 fait tourner la version quantifiée. Google prévient qu'un service cloud à fort trafic peut coûter plus cher qu'un modèle autorégressif.
- Limites
- Version expérimentale ; entrée image et vidéo uniquement, pas d'audio ; vidéo jusqu'à 60 secondes à une image par seconde ; les réflexions des tours précédents doivent être retirées de l'historique.
Les points forts
- Plus de 1 000 tokens par seconde sur un H100, 700 sur une RTX 5090
- La version quantifiée tient dans 18 Go de VRAM
- Apache 2.0 avec vision, mode de réflexion et appel de fonctions
- Les blocs bidirectionnels aident à compléter du code et à s'autocorriger
Les points faibles
- En dessous de Gemma 4 26B sur chaque benchmark de qualité publié
- AIME 2026 chute de 88,3% à 69,1%
- Le gain de vitesse s'estompe avec de gros lots et sur Mac
- Qualifié d'expérimental par Google ; pas d'entrée audio
Idéal pour
Les développeurs qui conçoivent des outils mono-utilisateur sensibles à la latence, comme des éditeurs en ligne ou de l'autocomplétion, sur un GPU NVIDIA.
Alternatives à DiffusionGemma 26B A4B
DiffusionGemma 26B A4B : questions fréquentes
- DiffusionGemma 26B A4B vaut-il le coup ?
- DiffusionGemma fait répondre un modèle ouvert compétent plusieurs fois plus vite à un seul utilisateur sur un GPU, et Google lui-même conseille de garder Gemma 4 classique quand la qualité compte. Nous lui donnons 3.8 sur 5.
- Combien coûte DiffusionGemma 26B A4B ?
- Poids gratuits sous Apache 2.0. Aucun tarif maison au token publié ; vous payez votre propre GPU ou déploiement cloud.
- Quels sont les inconvénients de DiffusionGemma 26B A4B ?
- En dessous de Gemma 4 26B sur chaque benchmark de qualité publié; aIME 2026 chute de 88,3% à 69,1%; le gain de vitesse s'estompe avec de gros lots et sur Mac; qualifié d'expérimental par Google ; pas d'entrée audio.
- À qui s’adresse DiffusionGemma 26B A4B ?
- Les développeurs qui conçoivent des outils mono-utilisateur sensibles à la latence, comme des éditeurs en ligne ou de l'autocomplétion, sur un GPU NVIDIA.
- Combien coûte DiffusionGemma 26B A4B pour une équipe ou en production ?
- Les poids sont gratuits ; une carte de classe RTX 4090 ou 5090 fait tourner la version quantifiée. Google prévient qu'un service cloud à fort trafic peut coûter plus cher qu'un modèle autorégressif.
- DiffusionGemma 26B A4B est-il sûr pour les données de l’entreprise ?
- Auto-hébergé : les prompts restent sur votre matériel. Apache 2.0 autorise l'usage commercial et la modification.
- Quelles sont les meilleures alternatives à DiffusionGemma 26B A4B ?
- Les alternatives les plus proches que nous avons testées sont Gemma 4, Qwen3.8-27B, gpt-oss-20b et Mistral Small 4.
Réponses vérifiées le 7 nov. 2026.