一名 Reddit 开发者用不到 3 亿参数、少量数据和计算资源，把 DiffusionGemma 改造成能生成和修改图像的模型，但即便如此仍需修补 Transformers 底层代码。这不是新模型发布，而是一次有意思的验证：扩散语言模型可以迁移到视觉任务，只是离稳定、易用的产品还有距离。

这是什么

DiffusionGemma 是基于 Gemma 4 的文本扩散模型。扩散模型通过逐步去噪生成内容，过去主要用于图像；这次实验让文本模型也用类似方式工作。作者先描述一个“图像生成工具”，再以特殊提示格式预填上下文，最终让模型直接生成可识别图像，并尝试对输入图片进行视觉修改。

值得注意的是，生成图像的仍是 DiffusionGemma 本身，并非接入外部绘图工具。作者称，少量训练数据便出现了可解释结果；同时，他修补了 Transformers 中影响图像注意力的程序缺陷。也就是说，实验展示了能力迁移的可能性，但还不是开箱即用的创作工具。

行业怎么看

我们认为，这项实验的价值主要在于降低模型改造门槛，而非证明 DiffusionGemma 已适合绘图市场。文本扩散模型原本强调更高的生成速度，开发者也认可其长文本输出表现；但在复杂推理、代码任务和 Agent 工具调用方面，它的表现明显偏弱。

风险也很直接：项目由一人推进，并大量借助大语言模型辅助；训练流程依赖尚未合并的底层修复；作者自己也把成果描述为“有点用但很粗糙”。因此，现阶段更适合把它视为技术验证，而不是产品路线已经成立。它甚至提示另一件事：如果一个模型能靠很少数据转做图像，真正稀缺的可能不再是参数规模，而是训练流程、工程维护和稳定输出能力。

对普通人的影响

对企业 IT：企业短期内不必为这套实验调整模型采购方向。更值得关注的是，同一模型可通过定制训练承接新任务，但前提是团队具备数据、评测和底层工程能力。

对个人职场：非算法岗位暂时难以直接受益。模型改造逐渐降低门槛，但推理、调用和维护能力仍集中在少数技术团队，个人更适合把它当作理解模型定制边界的案例。

对消费市场：短期内不会因此出现新的成熟绘图产品。输出质量、效率和流程稳定性尚未达到消费级要求，离“输入一句话就稳定出图”仍有距离。