智东西

作者 | 王涵

编辑 | 李水青

智东西 10 月 28 日报道，今天，深圳大模型厂商扩散智能（DiffuSpace）发布并开源扩散语言模型 Clover-35B-A3B-Preview，该模型采用混合专家架构（MoE），总参数 350 亿、激活参数 30 亿，支持思考模式。

该公司发布的基准测试结果显示，Clover-35B-A3B-Preview 在 SWE-bench Verified、Terminal-Bench2.1 等 6 项智能体编程及工具使用任务评测中，排名同级别模型中的第一，超过同规模自回归模型 Qwen3.6-35B-A3B。

HuggingFace：

https://huggingface.co/Diffuspace/Clover-35B-A3B-Preview

GitHub：

https://github.com/DiffuSpace/Clover-35B-A3B-Preview

ModelScope：

https://modelscope.cn/models/Diffuspace/Clover-35B-A3B-Preview

申请在线体验：

https://chat.diffuspace.ai/

同时，扩散智能还推出了Clover-35B-A3B-Preview 的决策模型，面向快速、结构化的判断任务，支持独立模式和联合模式两种作答方式，该模型将在后续发布。

不同于 TypeSafe 的 Jev 等开源决策模型的单点评估思路，联合模式以全局统筹的方式开展推理，省去多次交互的耗时，使多项判断相互参照、规避逻辑冲突，一次性完成一组关联决策，实现更快、更稳定的推理结果。

在包含 500 组、2420 道关联问题的内部验证中，联合模式答对 95.0%，并在 80.4% 的问题组中全部答对。相比之下，同一模型独立作答时，两项成绩分别为89.8% 和 62.4%；Jev 在相同题目的历史评测中分别为63.6% 和 15.8%。

在对比案例中，针对合同中的判断问题，Clover-35B-A3B-Preview 决策模型的联合模式的5 项判断全部正确，独立模式答对 4 项，Jev 答对 2 项。

该决策模型还和 Jev 展开了一场中国象棋的对弈，结果是扩散智能的决策模型执黑获胜。

扩散智能于 2026 年成立于深圳，由港大 NLP 实验室联合主管孔令鹏教授，以及其博士生龚珊三、叶佳成联合创立。核心团队长期研究扩散语言模型，是全球最早探索该路线的团队之一，在条件生成、离散信号建模、Scaling 三大 dLLM（扩散大语言模型）核心问题上取得全球领先突破。

该团队早在 2022 年就启动 dLLM 前沿研究，提出了 DiffuSeq，开创了扩散模型处理序列到序列文本生成（Seq2Seq）的技术路径。2025 年 4 月，其推出扩散语言模型 Dream 7B，至今 Dream 系列模型累计在 Hugging Face 下载超 270 万次。

10 月 9 日，扩散智能首次公布融资，其连续完成两轮融资，总金额数亿元人民币，创下公开披露的全球 dLLM 最大规模融资纪录。

一、6 项 Agent 测评第一，单卡 GB300 生成速度达 680 tokens/s

在基准测试方面，Clover-35B-A3B-Preview 在智能体编程与工具使用任务中表现较好。在本次对比的 6 项 Agent 评测中，该模型均取得了所列模型中的最高分。

其中，SWE-bench Verified 达到 73.6 分，Terminal-Bench2.1 达到 51.7 分，τ³ Overall 达到 65.3 分，超过了同为扩散语言模型的 LLaDA2.2 flash、Mercury 2.5，以及同尺寸的自回归模型 Qwen3.6-35B-A3B 和 Qwen3.5-35B-A3B。

在指令遵循、知识、逻辑推理和长文本理解等多项评测中，其成绩达到或超过同规模自回归模型，GPQA Diamond、ZebraLogic 和 AA-LCR 分别达到 83.8、95.8 和 72.0 分。

在推理效率方面，团队使用覆盖代码编写、终端操作和工具调用等场景的内部 Agent 任务执行记录进行测试。

端侧部署方面，Clover-35B-A3B-Preview 在单张 NVIDIA GB300 GPU上，以 BF16 精度、batch size=1，达到680 tokens/s的整体生成速度。

此外，在单张 NVIDIA H200 GPU 上，Clover 达到515tokens/s，高于 DFlash2 方案的 365 tokens/s。

与其他代表性轻量级、高效推理或端侧部署模型的对比中，Clover-35B-A3B-Preview在 9 项评测中的 6 项取得最高分，优势覆盖知识推理、工具使用与智能体编程。

二、路线规划 28 步完成，49 项 Agent 任务耗时中位数仅 1.52 秒

基于 Clover-35B-A3B-Preview 在推理、工具使用以及编程上的能力，用户可以借助该模型完成路径规划、WebMCP 任务、模拟桌面环境、智能体调度等工作。

例如，用户要查询 " 从匹兹堡 CMU 到最近的 Wendy ’ s 需要开车多久 "。Clover 识别出结果偏离目标，逐步加入城市、街区和邮编改写检索，并在页面卡住后两次重置、重填路线，最终找到目标门店，查得驾车距离 2.0 公里、车程约 3 分钟。

本次对照中，Clover-35B-A3B-Preview 用28 步、169.9 秒完成任务；Qwen3.6 Flash 用满 30 步、耗时 578.3 秒，仍停留在距起点 347 公里、车程约 4.5 小时的门店，未通过任务评判。

通过网页提供的工具，Clover-35B-A3B-Preview 可以连续完成开票、课程注册、金额汇总、事件状态与客户信息查询等任务。

在完整的 49 项任务、每项 3 次尝试的评测中，Clover 的 Agent 执行耗时中位数为 1.52 秒，Gemini 3.6 Flash 为 8.86 秒。

此外，Clover-35B-A3B-Preview 还可以创建私有项目并邀请成员。在相同的智能体框架、提示词、工具和浏览器配置下，本次运行中 Clover-35B-A3B-Preview 用13 步、169.9 秒完成任务，Qwen 3.6 Flash 用 21 步、392.3 秒完成。

该案例中用户要求用单个 HTML 文件模拟一个桌面环境，支持窗口拖动，并能打开多个小应用。

Clover-35B-A3B-Preview 生成了包含程序坞、窗口系统以及记事本、计算器、时钟、天气和设置等应用的模拟桌面。

在演示中，用户可以打开应用、输入文本、操作计算器并调整设置。

在城市低空无人机调度演示中，模型通常需要将复合空管报文解析为禁飞区解除、航点修改、任务分配、禁飞区半径调整和紧急调度等多项任务。

Clover-35B-A3B-Preview 在0.97 秒后同时完成处理呈现 5 项正确结果。Qwen 在 3.78 秒展示结果，还将 UAV5 的测绘任务误解析为医疗任务。

三、重构双向门控 Delta 网络，兼顾推理速度与性能

Clover-35B-A3B-Preview 能够兼顾推理速度与性能表现，背后是扩散智能人团队针对性的架构优化。

在 Clover-35B-A3B-Preview 中，扩散智能团队完成了双向门控 Delta 网络（Bidirectional GDN）的重构设计，针对历史记忆与块内去噪两条链路采用差异化计算范式。

模型已生成的上下文信息依托 GDN 递归状态实现高效压缩，当前块内 Token 则借助双向 Softmax 注意力完成细粒度交互。

在核心机制上，技术团队将历史记忆读出作为独立信息单元，与块内 Token 纳入同一次 Softmax 运算开展信息筛选，由模型自主学习在推理过程中对历史信息与当前块信息的依赖权重。

团队同时新增可学习块大小校准机制，用于缓解块内 Token 数量增加带来的历史权重稀释问题。

针对局部特征提取环节，扩散智能团队还为右侧上下文搭建了独立的零初始化卷积分支。该方案基于预训练因果卷积的原有行为，让模型分别学习左右双向特征表征。

这套架构将紧凑长程记忆、可选择的块内交互能力与双向局部感知能力融合，使 GDN 架构更加适配块级并行去噪范式。

结语：押注开源端侧 Agent 路线，harness 产品近期上线

当前大模型产业仍由自回归架构主导，推理栈、Agent 框架和部署工具链大多围绕其建立，扩散语言要真正进入产业，要体现出自身与现有工具生态的兼容性、开发者迁移成本和规模化交付的稳定性。

扩散智能选择以开源、端侧、智能体能力作为切入点，正是希望降低试用门槛，方便开发者与终端厂商快速开展验证，加速技术落地。

与此同时，扩散智能团队透露其正在研发智能体运行框架（harness）及桌面编程客户端。相关工具尚处于开发阶段，计划于近期上线。