ZAYA1‑8B‑Diffusion‑Preview: Cara Baru Mempercepat Generasi Teks AI Hingga 7,7×

Model dasar: ZAYA1‑8B

ZAYA1‑8B‑Diffusion‑Preview dibangun di atas model ZAYA1‑8B, sebuah model reasoning berbasis arsitektur mixture‑of‑experts (MoE). Model ini memiliki sedikit di atas 8 miliar parameter, tetapi hanya sekitar 760 juta parameter yang aktif saat inferensi, sehingga lebih hemat komputasi dibanding model dense dengan ukuran serupa.

Dalam arsitektur MoE, jaringan terdiri dari beberapa sub‑model kecil yang disebut "expert". Untuk setiap token, hanya sebagian expert yang diaktifkan. Pendekatan ini membantu menekan biaya komputasi tanpa mengorbankan performa secara signifikan.

Mengapa decoding LLM biasanya lambat

Sebagian besar LLM saat ini menggunakan metode autoregressive generation. Prosesnya sederhana tetapi tidak efisien untuk paralelisme:

• Model memprediksi satu token berikutnya.
• KV cache diperbarui dengan token tersebut.
• Proses diulang untuk token berikutnya.

Karena setiap token bergantung pada token sebelumnya, proses ini harus berjalan secara berurutan. Hal ini sering menyebabkan bottleneck bandwidth memori ketika model terus‑menerus mengakses KV cache selama generasi teks.

Bagaimana model difusi menghasilkan 16 token sekaligus

Pendekatan difusi mengubah mekanisme decoding tersebut.

Alih‑alih memprediksi satu token per langkah, model mengusulkan blok kandidat token secara paralel. Dalam versi preview ini, satu langkah difusi menghasilkan 16 token sekaligus.

Alur kerjanya kira‑kira seperti ini:

1. Model membuat beberapa draf kandidat token untuk satu blok.
2. Sebuah sampler mengevaluasi kandidat tersebut.
3. Token yang diterima ditambahkan ke output, lalu proses diulang untuk blok berikutnya.

Karena token dalam satu blok berbagi awalan (prefix) dan keadaan KV cache yang sama, komputasi bisa dilakukan secara paralel dalam satu forward pass GPU. Ini menggeser pekerjaan dari proses yang terikat bandwidth memori menjadi komputasi paralel yang lebih cocok untuk GPU modern.

Dua strategi sampling dan perbedaan kecepatannya

Performa model bergantung pada metode sampling yang digunakan saat decoding.

Lossless sampler

• Menggunakan aturan penerimaan mirip dengan speculative decoding.
• Zyphra melaporkan sekitar 4,6× percepatan decoding dibanding metode autoregresif.
• Dirancang untuk menjaga kualitas model tanpa penurunan evaluasi yang sistematis.

Logit‑mixing sampler

• Menggabungkan distribusi logit dari model difusi dan autoregresif.
• Meningkatkan tingkat penerimaan token.
• Klaim percepatan hingga 7,7×, tetapi dengan kemungkinan penurunan kualitas dalam beberapa kasus.

Perlu dicatat bahwa angka tersebut sebagian besar berasal dari laporan internal Zyphra, sehingga benchmark independen masih diperlukan untuk memverifikasi performanya di berbagai skenario penggunaan.

Mengapa penggunaan GPU AMD menarik perhatian

Proyek ini juga menonjol karena menggunakan infrastruktur GPU AMD untuk pelatihannya—sesuatu yang relatif jarang dalam ekosistem AI modern yang didominasi Nvidia.

Zyphra menyebut model ini sebagai model bahasa difusi pertama yang dilatih di GPU AMD, menunjukkan bahwa pelatihan dan eksperimen LLM skala besar tidak harus bergantung pada satu vendor hardware saja.

Jika pendekatan ini terbukti efektif dan dapat direplikasi, persaingan di pasar hardware AI bisa menjadi lebih terbuka.

Peran Compressed Convolutional Attention (CCA)

ZAYA1‑8B juga menggunakan mekanisme yang disebut Compressed Convolutional Attention (CCA). Tujuannya adalah menurunkan biaya komputasi pada tahap perhatian (attention), terutama saat operasi paralel besar.

Hal ini penting untuk decoding difusi karena proses menghasilkan banyak token sekaligus mirip dengan fase prefill pada inferensi—fase yang biasanya sangat bergantung pada efisiensi mekanisme attention.

Dengan menekan biaya attention, CCA membantu membuat generasi multi‑token secara paralel menjadi lebih praktis dalam skala besar.

Dampaknya terhadap biaya inferensi

Jika percepatan decoding ini terbukti konsisten di sistem produksi, dampaknya bisa signifikan bagi ekonomi AI:

• GPU dapat menghasilkan lebih banyak token per detik
• biaya per token menjadi lebih rendah
• latency untuk respons panjang berkurang

Namun Zyphra juga mencatat bahwa pipeline inferensi model difusi masih belum seoptimal sistem autoregresif yang sudah matang, sehingga hasil di dunia nyata mungkin berbeda dari pengukuran teoritis.

Mengapa ini penting untuk reinforcement learning

Banyak model reasoning modern dilatih menggunakan reinforcement learning dengan rollouts, yaitu proses menghasilkan banyak kandidat jawaban selama pelatihan.

Karena proses ini sangat bergantung pada kecepatan generasi, decoding yang lebih cepat dapat:

• menurunkan biaya pelatihan RL
• memungkinkan eksperimen test‑time compute yang lebih besar
• meningkatkan jumlah jalur penalaran yang dapat dieksplorasi per prompt

Dalam praktiknya, proses generasi sering menjadi salah satu komponen biaya terbesar dalam pipeline pelatihan berbasis RL.

Arah baru dalam efisiensi model AI

ZAYA1‑8B‑Diffusion‑Preview menunjukkan tren yang semakin jelas dalam riset AI: bukan hanya membuat model lebih besar, tetapi juga membuatnya lebih efisien per dolar komputasi.

Pendekatan Zyphra menggabungkan beberapa strategi sekaligus:

• arsitektur mixture‑of‑experts
• decoding berbasis difusi
• mekanisme attention yang lebih efisien
• pelatihan pada ekosistem hardware alternatif

Jika pendekatan seperti ini terbukti stabil dan dapat diskalakan, cara industri mengoptimalkan model bahasa mungkin akan bergeser—dari sekadar mengejar ukuran model menuju peningkatan throughput, efisiensi biaya, dan pemanfaatan hardware.