2026 年 10 月 28 日——扩散智能 DiffuSpace 于 10 月 28 日发布并开源扩散语言模型 Clover-35B-A3B-Preview，采用 MoE 架构、总参数 350 亿、激活参数约 30 亿，支持 128K 上下文；官方公布其在智能体编程等六项 Agent 评测中取得所列模型最高分，并在单张 NVIDIA GB300 上实测整体生成速度 680 tokens/s。

发布概况与团队背景

Clover（中文名「三叶」）是 DiffuSpace 发布的首个模型。据官方博客介绍，公司团队源自香港大学自然语言处理实验室（HKU NLP）2025 年 4 月推出的扩散语言模型 Dream 7B，Dream 系列在 HuggingFace 累计下载量超过 270 万次。

模型权重与代码以 Apache 2.0 许可发布于 HuggingFace、GitHub 与 ModelScope，权重共 69.3GB（safetensors）；在线体验需在官网申请。截至 10 月 28 日实测，GitHub 仓库获 61 个星标。模型支持思考模式，官方推理后端为 SGLang 与 llama.cpp，另有 HuggingFace Transformers 原生实现（需 transformers 5.19.0 与 PyTorch 2.10 以上）。

架构与生成方式

Clover 由同尺寸自回归模型 Qwen3.6-35B-A3B 改造而来，保留其 GDN 与全注意力混合的 MoE 骨干：40 层、256 个路由专家、top-8 路由加每层 1 个共享专家。在此之上，官方围绕块扩散（Block Diffusion）重构了门控 Delta 网络（GDN）：已生成上下文经递归状态压缩，当前块内 token 通过双向 Softmax 注意力交互，并引入可学习块大小校准与零初始化的右侧卷积分支。

文本的并行生成与实时修正通过 LowConfidence 解码实现：每个块以掩码 token 起步，置信度超过阈值（默认 0.95）的位置被并行填充，若无位置达标则填充置信度最高的位置以保证推进，已解出的块并入前缀后继续下一块，默认块大小为 32。官方还提供自投机解码（self-speculative decoding）实现。

部署方面，BF16 权重约 69GB；官方称已完成 INT4 量化部署，在 16GB 显存的 NVIDIA RTX 5070 Ti 上运行 MATH-500 生成速度达 101.8 tokens/s，其对照的同规模模型测试结果为 48.5 tokens/s。

官方评测与速度数据

项目 数据
总参数 / 激活参数 350 亿 / 约 30 亿（MoE）
上下文长度 128K（131072 tokens，含输入与输出）
基座模型 Qwen3.6-35B-A3B（改造）
SWE-bench Verified 73.6
Terminal-Bench 2.1 51.7
τ³ Overall 65.3
GPQA Diamond 83.8
ZebraLogic 95.8
AA-LCR 72.0
MMLU-Pro 84.8
BFCL-v4 67.9
生成速度（单卡 GB300） 680 tokens/s（BF16、batch size=1、内部 Agent 场景数据）
生成速度（单卡 H200） Agent 任务 515 tokens/s，对照 DFlash2 加速 Qwen 为 365 tokens/s
端侧速度（RTX 5070 Ti，INT4） MATH-500 上 101.8 tokens/s，对照 48.5 tokens/s
权重体积 69.3GB（safetensors），Apache 2.0

官方称，在本次对比的六项 Agent 评测中 Clover 均取得所列模型最高分，对比对象包括同为扩散语言模型的 LLaDA2.2 flash 与 Mercury 2.5，以及同尺寸自回归模型 Qwen3.6-35B-A3B、Qwen3.5-35B-A3B；生成速度最高达同尺寸自回归模型的 5-10 倍。演示数据方面，官方披露 WebMCP 任务集中 Agent 执行耗时中位数为 1.52 秒，对照 Gemini3.6 Flash 为 8.86 秒。

以上评测与速度数据均为官方自报口径，截至发稿未见第三方复现；680 tokens/s 的测试条件为单张 NVIDIA GB300、BF16 精度、batch size=1、内部 Agent 场景数据。

决策模型预告与生态进展

DiffuSpace 同时预告了基于该模型的决策模型，面向快速结构化判断任务，将在后续发布。该决策模型支持联合模式，将同一材料下的多个问题放在同一次去噪过程中并行生成答案，每次最多 8 个。官方称在包含 500 组、2420 道关联问题的内部验证中，联合模式答对 95.0% 的问题、80.4% 的问题组全部答对，独立作答时两项成绩分别为 89.8% 和 62.4%；TypeSafe 决策模型 Jev 在相同题目的历史评测中分别为 63.6% 和 15.8%。

生态方面，SigmaZ 为其在 GenUI 方向的独家生态伙伴，已上线教育场景内测 Demo，双方正进行联合后训练，计划将 token 吞吐量提升到 2000 tokens/s。官方表示，后续将继续推进扩散语言模型的规模化研究，提升模型能力与推理速度。