扩散智能发布 Clover-35B：扩散语言模型开始接手 Agent 任务

10月28日，扩散智能发布扩散语言模型 Clover-35B-A3B-Preview。与逐 Token 生成的自回归模型不同，它采用块扩散路线，主打写代码、操作网页、调用工具和生成 HTML 等 Agent 任务，使用方式与常见对话模型接近。

模型是 MoE 架构，总参数350亿，每个 Token 激活约30亿，支持思考模式。它把团队此前的 Dream 7B 从70亿参数推进到350亿，也把扩散语言模型从能写出通顺文字，推到能和同尺寸自回归模型同场比较的规模。

最直观的对比是速度。在网页 Agent 评测 WindTunnel 的49个任务、每个任务尝试3次的设置下，Clover 的中位执行时间为1.52秒，Jev 与 Mercury 2.5 组合为3.21秒，用时少一半以上；成功率分别为98.6%和95.9%。演示中，生成一个可交互的太阳系模拟器约思考1秒、4到5秒出结果，把一堆简历整理成 LaTeX 代码约需十来秒。

Agent 能力是这次回应质疑的重点。扩散模型有并行生成的潜力，但过去在工具调用上并不稳定：格式可能出错，容易在同一步骤反复尝试，也不擅长根据工具返回结果调整动作。Clover 的演示通过 WebMCP 连续处理开票、课程报名、金额汇总、活动状态查询、客户信息与发票信息查询六项任务，并完成一次从选品到测试结账的购物流程，官方对比视频中速度快于 Gemini 3.6 Flash。

公布的数据覆盖了工具使用与代码两侧。工具调用方面，τ³ Overall 为65.3，BFCL-v4 为67.9；代码方面，SWE-bench Verified 为73.6，Terminal-Bench 2.1 为51.7。这些成绩属于有竞争力但并非刷新纪录的水平，也因此，速度和多步骤执行的连续性比榜单本身更能说明问题。

机制上，Clover 采用块扩散：待生成内容被分成若干块依次推进，块内多个位置并行更新并相互参考。团队重构了门控 Delta 网络，把已生成的上下文压缩进持续更新的状态供后续步骤读取，当前块则走双向注意力；历史记忆的读出被当作独立信息单元参与注意力计算，再通过可学习的块大小校准，缓解块变大后历史信息被稀释的问题。

这条技术脉络有清晰出处。扩散智能由香港大学孔令鹏教授与博士生龚珊三、叶佳成联合创立，团队2022年的 DiffuSeq 研究如何用扩散模型做序列到序列的文本生成，2025年4月的 Dream 7B 把规模推到70亿参数。Clover 则是从生成文字走向完成复杂任务的一步，重点落在代码、工具调用和连续执行上。

团队给出的下一步也很具体：推出多模态版本，把扩散语言模型与多模态理解、动作生成结合；与 Acrab 合作推进端侧系统适配与软硬件协同验证；继续探索更大规模模型以提升长程任务稳定性，并通过推理优化、量化和部署适配进入端侧。真正待解的问题是，这种速度优势能否在更长、更脏的真实任务里保持，Preview 的命名说明团队自己也没有把话说满。