扩散模型杀入智能体主场，Clover-35B发布

传统印象中主要用于图像和视频生成的扩散模型，正在强势跨界进入大语言模型的主战场。

扩散智能团队正式发布了新一代扩散语言模型 Clover-35B-A3B-Preview。这款模型支持编写代码、操作网页、调用外部工具等 AI 智能体（Agent）核心任务，并在执行速度与并行生成效率上展现出显著优势。

在生成交互页面等轻量开发场景中，Clover-35B 仅需思考约 1 秒，便能在 4 到 5 秒内输出一个完整可交互的太阳系模拟器页面，整理结构化简历代码也仅需十余秒。

在面对多步骤、长链路的复杂任务时，Clover 表现同样亮眼。在网页智能体评测基准 WindTunnel 的 49 项任务测试中（每项尝试 3 次），Clover 的中位执行时间仅为 1.52 秒，对比 Jev 与 Mercury 2.5 组合的 3.21 秒缩短了一半以上，尝试成功率则以 98.6% 领先于后者的 95.9%，执行效率显著优于 Gemini 等自回归架构模型。

块扩散架构攻克连续任务难题

Clover-35B-A3B-Preview 采用了混合专家（MoE）架构，模型总参数量为 350 亿，每个 Token 激活约 30 亿参数，并原生支持思考模式。这是团队继 Dream 7B 之后，将扩散语言模型推向更大规模的关键进展。

与传统大语言模型依赖逐个预测 Token 的自回归（Autoregressive）机制不同，扩散语言模型允许多个位置同时更新，经由多轮去噪迭代输出内容。针对长上下文带来的推理计算开销与连续任务稳定性问题，Clover 采用了独特的“块扩散”（Block Diffusion）设计。

在块扩散框架下，文本被切分为不同数据块，块与块之间按序推进，块内多个 Token 则并行生成、双向参考。针对工具调用和多步任务中的长记忆衰减问题，团队重构了门控 Delta 网络（GDN），将已生成的上下文压缩为持续更新的全局状态，供后续计算高效检索，同时配合可学习的块尺寸校准，解决了长程依赖中信息被稀释的痛点。

这使得 Clover 攻克了扩散语言模型以往在调用工具、环境反馈解析中容易出错或陷入死循环的短板。

在工具调用基准 τ³ Overall 和 BFCL-v4 中，Clover 分别取得 65.3 与 67.9 的成绩；在考察软件工程代码修复的 SWE-bench Verified 上得分达 73.6，终端任务基准 Terminal-Bench 2.1 得分为 51.7，证明了其在工程实践中的可用性。

从技术验证走向端侧与多模态

扩散智能由香港大学孔令鹏教授及团队联合创立，其研发路径可追溯至 2022 年发布的文本序列扩散研究 DiffuSeq。从最初探索离散自然语言去噪，到 2025 年推出 70 亿参数的 Dream 7B，再到如今的 350 亿参数 Clover，扩散机制在逻辑推理和复杂任务规划上的潜能不断释放。

目前，学术界与工业界对非自回归及扩散生成路线的关注度正持续攀升。扩散智能表示，Clover 的后续演进将覆盖多模态理解与动作生成能力，并积极推进模型量化、推理部署优化与端侧硬件的软硬件协同适配。