扩散智能发布Clover-35B：速度快于Jev，Agent能力对标Gemini
扩散模型的应用边界正在被重塑。以往主要应用于图像和视频生成的“扩散模型”，如今已具备编写代码、生成网页、调用工具等Agent（智能体）能力。
近日，扩散智能正式发布全新的扩散语言模型——Clover-35B-A3B-Preview。尽管底层架构不同，但其实际使用体验与主流大语言模型高度一致，且在执行速度上表现优异。
在实际测试中，生成一个可交互的太阳系模拟器仅需约5秒；将杂乱简历信息整理为LaTeX代码也仅需十余秒。这种“即时响应”的体验，显著优于传统自回归模型常见的等待延迟。
在网页Agent评测基准WindTunnel的49项任务中，Clover的中位执行时间为1.52秒，远低于Jev＋Mercury 2.5组合的3.21秒，速度快了一倍以上。同时，其任务尝试成功率达到98.6%，略高于对比组的95.9%。
与同榜单中的Gemini相比，Clover在速度上也具备数倍优势。
Clover技术解析：MoE架构与并行生成优势
Clover-35B-A3B-Preview采用MoE（混合专家）架构，总参数量达350亿，每个Token激活约30亿参数，并支持思考模式。相较于团队此前发布的70亿参数Dream 7B模型，Clover在规模上实现了大幅跃升，且未因参数量增加而牺牲速度，在同尺寸对比中性能超越传统自回归模型。
复杂Agent任务处理能力
官方演示显示，Clover可通过WebMCP协议连续处理多项复杂任务，包括开票、课程报名、金额汇总、状态查询及客户信息检索等。在执行速度与任务完成度上，Clover均优于Gemini 3.6 Flash。
在线上购物场景中，Clover能够准确识别指定款式、颜色及尺码商品，完成加入购物车、填写访客信息及测试结账全流程。这种连续任务处理能力是本次发布的亮点。
传统扩散语言模型在Agent任务中常面临工具调用格式错误、重复尝试同一动作等问题。Clover通过优化“调用工具-读取反馈-继续执行”的闭环逻辑，显著提升了稳定性。在τ³ Overall和BFCL-v4工具使用评测中，Clover分别取得65.3和67.9的高分。
△ 图源：扩散智能
代码生成与评测表现
在代码能力方面，Clover同样表现出色。在SWE-bench Verified（真实代码仓库问题解决能力）评测中得分为73.6；在Terminal-Bench 2.1（终端任务执行能力）评测中得分为51.7。从生成交互页面到执行复杂业务流程，Clover展现了作为扩散语言模型的全面潜力。
△ 图源：扩散智能
技术原理：块扩散与门控Delta网络
传统自回归（AR）模型采用“词语接龙”式的串行生成方式，逐个预测Token。而扩散语言模型则允许多个位置同时更新，通过多轮去噪逐步完善结果。
△ 图源：AI生成
Clover采用块扩散机制，将待生成内容分块，块间依次推进，块内并行更新。为解决多轮去噪带来的计算开销及长上下文记忆问题，团队重构了门控Delta网络（GDN）：
- 历史记忆压缩：将已生成的上下文压缩至持续更新的状态中，供后续步骤读取；
- 双向注意力：当前生成块内的Token相互参考，提升局部一致性；
- 独立信息单元：将历史记忆读出作为独立单元参与注意力计算，并通过可学习的块大小校准，防止历史信息稀释。
这些改进使得并行生成、历史利用与计算效率得以平衡，是Clover胜任代码与Agent任务的关键。相比自回归模型，扩散模型在并行生成减少等待、双向建模处理依赖关系方面具有天然优势。
目前，学术界与产业界均在探索扩散语言模型，如ELF、DiffusionGemma等。Clover的发布，标志着该技术已从理论探索走向实际应用场景的检验。
团队背景与未来规划
Clover由扩散智能团队研发。该公司由香港大学孔令鹏教授及其博士生龚珊三、叶佳成联合创立，深耕扩散语言模型领域多年。
- 2022年：提出DiffuSeq，探索基于扩散模型的序列到序列文本生成，解决离散自然语言处理的难点；
- 2025年4月：推出Dream 7B，参数规模达70亿，在通用、数学及代码任务上表现媲美同规模自回归模型；
- 2026年：发布Clover-35B，重点突破代码编写、工具调用及连续任务执行能力。
未来，扩散智能计划推出Clover的多模态版本，结合多模态理解与动作生成，并联合Acrab推进端侧场景的系统适配与软硬件协同验证。团队将持续探索更大规模模型，优化长程任务稳定性，并通过推理优化与量化技术，加速端侧应用落地。