扩散语言模型扩展至 35B：Clover 开源并尝试提升 Agent 任务效率

InfoQ 中文AI 辅助整理 · 已审核

原文发布：2026年10月28日 22:53（北京时间）
本站收录：2026年10月28日 23:07

发生了什么

扩散智能发布并开源 Clover-35B-A3B-Preview，采用 MoE 架构，总参数量 350 亿、每次推理激活约 30 亿参数。模型通过块级扩散生成和双向化 GDN 等设计探索并行解码与长上下文处理。按公司公布的内部测试及评测结果，模型在生成速度、部分 Agent 基准和任务执行时间方面表现突出；但测试配置和流程存在差异，实际生产效率仍需进一步验证。

值得了解的技术要点

01
Clover-35B-A3B-Preview 总参数量为 350 亿，每次推理激活约 30 亿参数。DiffuSpace 公布的内部测试显示，整体生成速度达到 680 tokens/s。
原文依据
02
DiffuSpace 公布的评测中，模型在 SWE-bench Verified 得分为 73.6、Terminal-Bench 2.1 为 51.7、τ³ Overall 为 65.3；团队称其在这些测试中超过 Mercury 2.5 和同等参数规模的 Qwen3.6-35B-A3B。
原文依据
03
模型基于 Qwen3.6-35B-A3B 构建，并采用块级扩散生成及双向化 GDN。公司表示模型已开源，采用 Apache-2.0 许可证，并提供 SGLang、llama.cpp 等推理后端支持。
原文依据

面霸解读 · 学习与职业

对从事模型研发或推理系统工作的学习者，可关注并行解码、长上下文建模与 Agent 工作流之间的权衡。评估效率时应区分生成速度和端到端任务耗时，并注意硬件、工具调用及任务流程对结果的影响。

扩散语言模型混合专家架构（MoE）Agent 任务执行与工具交互长上下文处理模型推理与解码优化

可以试着讨论

比较扩散式与自回归模型在 Agent 任务中的效率时，怎样设计公平的端到端评测？

用于拓展思考，不代表真实面试题。

继续阅读原文

不再逐个生成 Token：扩散模型迈向 35B，开始挑战 Agent 编程

InfoQ 中文 · 中文摘要不能替代完整原文，技术细节以来源和项目文档为准。