менее 10% исходного бюджета обучающих токенов. Обучение включало два этапа: сначала обучение восстановлению зашумленных текстовых блоков, затем комбинированный этап обучения с подкреплением и дистилляции сэмплера, который Google называет SD·RL. В отчете указано, что это улучшает бенчмарки рассуждений в среднем на десять пунктов, почти учетверяя количество токенов на шаг, а ответы становятся примерно на 50% короче. Двунаправленная обработка DiffusionGemma позволяет выполнять самокоррекцию перед выводом, что позволяет ей решать судоку с точностью 85% после дообучения, тогда как базовая модель не справляется с этой задачей. Также сохраняется возможность генерации слово за словом, что позволяет пользователям переключать режимы. Однако абсолютная производительность ниже, чем у авторегрессионной модели, из-за таких факторов, как преобразование постфактум и короткий этап обучения, направленный на скорость. Модель иногда попадает в циклы повторений и может не закрывать разделы рассуждений, что снижает показатели бенчмарков. Преимущество в скорости в основном проявляется в сценариях одиночного пользователя, так как авторегрессионные модели догоняют по пропускной способности при более чем 32 одновременных запросах. Google позиционирует DiffusionGemma как экспериментальную модель, стремясь ускорить исследования и предоставить основу для специализированных адаптаций. Она уже используется стартапом Interfaze для многоязычного распознавания речи и в проекте интерактивных радиологических отчетов. Модель доступна под лицензией Apache 2.0 на Hugging Face, а предшественник, Gemini Diffusion, был продемонстрирован в мае 2025 года.