人工智能实验室 DiffuSpace 正式开源其 Clover（三叶草）系列模型的首个成员：Clover-35B-A3B-Preview。该模型采用混合专家（MoE）架构的扩散语言模型设计，总参数量 350 亿，激活参数 30 亿，基于 Apache 2.0 许可协议开放。
- 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
与传统自回归模型逐词生成的机制不同，该模型通过多轮迭代实现从模糊到具体的“全局思维”生成。测试数据表明，在更大参数规模下，扩散语言模型能够在保持生成速度优势的同时，在多项基准测试中超越同规模的自回归模型。
核心架构与基准测试表现
Clover-35B-A3B-Preview 在智能体编程与工具使用任务中展现出明确优势。在六项 Agent 评测中，其得分均优于同尺寸的 Qwen3.6-35B-A3B 与 Qwen3.5-35B-A3B，以及 LLaDA2.2 flash 和 Mercury 2.5 等扩散模型。
具体评测数据如下：
- 智能体任务：SWE-bench Verified 达到 73.6，Terminal-Bench 2.1 达到 51.7，τ³ Overall 达到 65.3。
- 通用能力：GPQA Diamond 达到 83.8，ZebraLogic 达到 95.8，AA-LCR 达到 72.0。
在推理效率方面，模型在单张 NVIDIA GB300 GPU（BF16 精度，batch size = 1）的内部 Agent 场景测试中，整体生成速度达到 680 tokens/s。在单张 NVIDIA H200 GPU 上，其 Agent 任务生成速度为 515 tokens/s，高于采用 DFlash2 加速方案的 365 tokens/s。
块扩散与门控 Delta 网络重构
模型的高速与高性能源于对块扩散（Block Diffusion）机制下门控 Delta 网络（GDN）的结构性重构。具体技术改进包括：
- 双向门控设计：已生成的上下文通过 GDN 的递归状态进行高效压缩，当前块内的 token 则通过双向 Softmax 注意力进行细粒度交互。
- 独立信息单元：将历史记忆的读出作为独立信息单元，与块内 token 在同一次 Softmax 中共同参与信息选择，使模型能自主决定依赖历史还是当前块。
- 块大小校准：引入可学习的块大小校准机制，补偿块内 token 增多时对历史权重的天然稀释。
- 局部特征提取：为右侧上下文设置独立且零初始化的卷积分支，使模型能从预训练的因果卷积行为出发，分别学习左右方向的特征。
端侧部署与智能体场景验证
在资源受限的端侧环境中，Clover 已成功在配备 16GB 显存的 NVIDIA RTX 5070 Ti 上实现 INT4 量化部署。在 MATH-500 测试中，其生成速度达到 101.8 tokens/s，显著高于同规模 MiniCPM 与 Qwen 模型的 48.5 tokens/s。
在实际智能体任务演示中，模型展现了并行生成与快速反馈的优势：
- 路径规划：在复杂地图检索任务中，Clover 用 28 步、169.9 秒完成任务；对比模型 Qwen3.6 Flash 用满 30 步耗时 578.3 秒，且未准确定位目标。
- WebMCP 业务操作：在连续完成开票、注册等 49 项任务的评测中，Clover 的 Agent 执行耗时中位数为 1.52 秒，低于 Gemini3.6 Flash 的 8.86 秒。
- 复合报文解析：在城市无人机调度场景中，Clover 在 0.97 秒内并行解析并呈现五项正确结果；对比模型耗时 3.78 秒且出现任务意图解析错误。
决策模型联合生成模式
随本次发布，DiffuSpace 推出了面向快速结构化判断的 Clover 决策模型。该模型支持两种作答方式：
- 独立模式：逐题调用，适合孤立或常规的快速判断。
- 联合模式：将同一材料下的多个问题（最多 8 个）放在同一次去噪过程中并行生成。
联合模式通过“全局统筹”减少了重复读取材料的开销，并避免了关联判断中的逻辑冲突。在包含 2420 道关联问题的内部验证中，联合模式答对了 95.0% 的问题，且在 80.4% 的问题组中实现全对。相比之下，同一模型的独立模式准确率为 89.8%，开源模型 TypeSafe Jev 为 63.6%。
生态合作与后续规划
在应用生态方面，DiffuSpace 与 SigmaZ 达成 GenUI 方向的独家合作，已将模型能力应用于教育场景的 3D 交互式科普页面（如细胞能量工厂、日月食成因演示）。团队计划通过联合后训练，将 token 吞吐量提升至 2000 tokens/s，以支持更通用的实时交互。
下一步，DiffuSpace 将继续推进扩散语言模型的规模化与多模态能力拓展，优化长程任务稳定性与量化适配。同时，团队正在开发智能体运行框架（harness）与编程客户端，以打通需求输入、工具调用与结果查看的完整工作流。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
