O que é DiffusionGemma 26B A4B?
DiffusionGemma é um modelo aberto experimental do Google DeepMind, lançado em 10 de junho de 2026. Ele pega o desenho mixture-of-experts do Gemma 4 26B A4B (25,2 bilhões de parâmetros, 3,8 bilhões ativos, 8 de 128 especialistas por token) e muda a forma de escrever texto. Em vez de produzir um token por vez, rascunha um bloco de 256 tokens, refina o bloco inteiro em várias passadas de remoção de ruído e depois segue para o próximo.
Isso desloca o gargalo numa única GPU da largura de banda de memória para a computação. O Google relata mais de 1.000 tokens por segundo numa NVIDIA H100 e mais de 700 numa GeForce RTX 5090, e diz que uma versão quantizada cabe em 18 GB de VRAM. Lê texto, imagens e quadros de vídeo, escreve texto, tem modo de raciocínio e chamada de funções, e mantém o contexto de 256K tokens do Gemma 4. Não aceita áudio.
Os pesos estão sob Apache 2.0. Nos últimos 30 dias, tiveram cerca de 636.000 downloads no Hugging Face.
DiffusionGemma 26B A4B vale a pena?
O DiffusionGemma troca qualidade por velocidade, e a própria ficha do Google mostra quanto. Contra o Gemma 4 26B A4B padrão, ele marca 77,6% no MMLU Pro contra 82,6%, 69,1% no AIME 2026 contra 88,3%, 69,1% no LiveCodeBench v6 contra 77,1% e 56,2% no teste de uso de ferramentas Tau2 contra 68,2%. A visão cai mais: 54,3% no MMMU Pro contra 73,8%, e o dobro do erro no OmniDocBench (0,319 contra 0,149). A recuperação em contexto longo a 128K cai de 44,1% para 32,0%.
O que você ganha em troca é latência. Produzindo de 15 a 20 tokens por passada, ele passa de 1.000 tokens por segundo numa H100 e de 700 numa RTX 5090, o que o Google calcula como até quatro vezes mais rápido que modelos comuns em GPUs dedicadas. Prompts simples e código precisam de menos passos de remoção de ruído, então a velocidade varia com a tarefa. Como cada token de um bloco enxerga os outros, ele também consegue preencher lacunas em código e corrigir os próprios erros antes de fechar um bloco.
A velocidade só aparece num cenário. O Google diz que a vantagem é maior com lotes pequenos a médios num único acelerador, some em serviço na nuvem com muito tráfego, onde pode custar mais caro, e pode nem aparecer em máquinas com memória unificada, como Macs com Apple Silicon. O suporte ao llama.cpp foi anunciado como para breve no lançamento.
Isso o torna uma ferramenta para trabalho local interativo: edição inline, autocompletar, rascunhos rápidos em que esperar custa mais que uma resposta um pouco pior. Para jobs em lote, agentes ou leitura de documentos, o Gemma 4 26B autorregressivo é melhor em todos os benchmarks que o Google publica.
Onde ele se destaca
Um engenheiro de ferramentas para desenvolvedores numa start-up de IDE
Oferecer edições de código inline, locais, que apareçam quase na hora
Sirva o modelo quantizado numa RTX 5090 com vLLM e use-o para preencher código, onde os blocos bidirecionais ajudam. O Google cita mais de 700 tokens por segundo nessa placa; deixe o Gemma 4 para refatorações mais difíceis.
Uma redatora técnica numa empresa de software com GPU de workstation
Redigir e reescrever seções de documentação sem esperar cada parágrafo
Rode localmente com o raciocínio desligado para rascunhos rápidos. O Google diz que ele fecha Markdown complexo de forma confiável; a qualidade é inferior à do Gemma 4, então confira fatos e exemplos de código.
Antes de decidir
- Configuração
- Instale a versão mais recente do transformers e carregue DiffusionGemmaForBlockDiffusion, ou sirva com vLLM ou MLX. O Google recomenda seu amostrador com limite de entropia e até 48 passos de remoção de ruído, que costuma parar após 12 a 16.
- Integrações
- transformers, vLLM com suporte da Red Hat, MLX, NVIDIA NIM, Unsloth e NeMo para ajuste fino, e a biblioteca JAX Hackable Diffusion do Google.
- Dados e privacidade
- Auto-hospedado, então os prompts ficam no seu hardware. Apache 2.0 permite uso comercial e modificação.
- Custo em escala
- Os pesos são gratuitos; uma placa da classe RTX 4090 ou 5090 roda a versão quantizada. O Google avisa que servir na nuvem com muito tráfego pode custar mais que um modelo autorregressivo.
- Limites
- Versão experimental; só entrada de imagem e vídeo, sem áudio; vídeo de até 60 segundos a um quadro por segundo; os raciocínios de turnos anteriores precisam ser retirados do histórico do chat.
O que é bom
- Mais de 1.000 tokens por segundo numa H100, 700 numa RTX 5090
- A versão quantizada cabe em 18 GB de VRAM
- Apache 2.0 com visão, modo de raciocínio e chamada de funções
- Blocos bidirecionais ajudam a preencher código e a se autocorrigir
O que não é
- Abaixo do Gemma 4 26B em todos os benchmarks de qualidade publicados
- AIME 2026 cai de 88,3% para 69,1%
- O ganho de velocidade some com lotes grandes e em Macs
- Rotulado como experimental pelo Google; sem entrada de áudio
Ideal para
Desenvolvedores que criam ferramentas de um só usuário sensíveis à latência, como editores inline ou autocompletar, numa GPU NVIDIA.
Alternativas ao DiffusionGemma 26B A4B
DiffusionGemma 26B A4B: perguntas frequentes
- DiffusionGemma 26B A4B vale a pena?
- O DiffusionGemma faz um modelo aberto competente responder a um usuário várias vezes mais rápido numa GPU, e o próprio Google recomenda ficar com o Gemma 4 comum quando a qualidade importa. Damos nota 3.8 de 5.
- Quanto custa DiffusionGemma 26B A4B?
- Pesos gratuitos sob Apache 2.0. Não há preço por token próprio publicado; você paga sua própria GPU ou implantação na nuvem.
- Quais são as desvantagens de DiffusionGemma 26B A4B?
- Abaixo do Gemma 4 26B em todos os benchmarks de qualidade publicados; aIME 2026 cai de 88,3% para 69,1%; o ganho de velocidade some com lotes grandes e em Macs; rotulado como experimental pelo Google; sem entrada de áudio.
- Para quem DiffusionGemma 26B A4B é indicado?
- Desenvolvedores que criam ferramentas de um só usuário sensíveis à latência, como editores inline ou autocompletar, numa GPU NVIDIA.
- Quanto custa DiffusionGemma 26B A4B para uma equipe ou em produção?
- Os pesos são gratuitos; uma placa da classe RTX 4090 ou 5090 roda a versão quantizada. O Google avisa que servir na nuvem com muito tráfego pode custar mais que um modelo autorregressivo.
- DiffusionGemma 26B A4B é seguro para dados da empresa?
- Auto-hospedado, então os prompts ficam no seu hardware. Apache 2.0 permite uso comercial e modificação.
- Quais são as melhores alternativas ao DiffusionGemma 26B A4B?
- As alternativas mais próximas que analisamos são Gemma 4, Qwen3.8-27B, gpt-oss-20b e Mistral Small 4.
Respostas verificadas em 7 de nov. de 2026.