10月28日，扩散智能DiffuSpace发布并开源了Clover-35B-A3B-Preview。这是一款总参数350亿、激活参数30亿的MoE模型，走的却不是GPT、Claude那条从左到右逐个吐词元的路，而是扩散语言模型路线：一次并行解码一整块内容，靠多轮去噪把乱码收敛成句子。官方给出的对照很直白，在智能体编程任务上，它的生成速度最高可以达到同尺寸自回归模型的五到十倍。
官方技术博客披露，Clover在内部测试中的整体生成速度是每秒680个词元。演示案例是一场空管报文处理：从20条报文里提取地点与半径，在一张三维地图上标出无人机的禁飞区，Clover用了7.32秒，作为对照的Qwen3.5用了62.3秒。差出来的近55秒不是算力差，而是解码方式差，自回归要一个词元一个词元排队，扩散可以一次铺开再修。
第三方视角也有一组数据。有开发者在WindTunnel的49项任务上测过，Clover的中位执行时间是1.52秒，而以速度著称的Jev模型加Mercury 2.5组合的中位执行时间是3.21秒，正好是Clover的两倍出头。中位执行时间这个口径比峰值速度更接近真实体验，因为它把慢任务也算进去了。
差距为什么能拉到这个量级，要回到解码机制。自回归模型生成第N个词元时必须等前N减1个算完，硬件再强也只能串行推进，批处理能提高吞吐但改变不了单条请求的时延。扩散模型把一整块位置同时铺开，几十轮去噪之后一次定稿，理论上单条请求的时延与块大小相关，而不与文本长度线性相关。文本越长，这个优势越明显。
上一代扩散模型的通病是块与块之间接不上。并行解码把一句话拆成几块同时去噪，块内看着通顺，块与块之间的指代和因果容易断。Clover的做法是重构门控Delta网络：用递归状态把历史上下文压成一个紧凑表示，块内则改用双向注意力做细粒度交互，让模型自己在历史记忆和块内信息之间分配权重。
配套的还有可学习的块大小校准和双向局部特征提取，前者决定一次铺开多大的块，后者解决块边界处的语义断裂。三项改动合起来，官方把它总结为在大参数下同时兼顾能力与效率的一条路径。这句话的分量在于，扩散路线此前一直被质疑只能做小模型，参数一上去就训不动、也不划算。
把参数从70亿推到350亿而速度不掉，本身是一次关于训练方法的信息披露。MoE架构让总参数与激活参数解耦，35B总参只激活3B，单次前向的计算量接近一个3B稠密模型；门控网络决定每个词元走哪几个专家，多出来的容量放在存储里而不是算力里。这套组合让扩散路线第一次有可能在参数量上和自回归模型对话，而不只是做小而快的实验品。
同类路线上的对手并不多。Mercury 2.5是少数已经商用的扩散语言模型之一，官方把对标对象直接点到它，说明竞争已经从论文阶段进入产品阶段。区别在于Clover选择了开源权重，Mercury选择了闭源服务，两种路径对生态的影响完全不同：开源会被拿去微调和集成，闭源则更容易控制质量与定价。
团队公布的六项Agent评测里，Clover在所列模型中均取得最高分：SWE-bench Verified 73.6、Terminal-Bench 2.1为51.7、τ³ Overall为65.3，对标的是Mercury 2.5和同尺寸的Qwen3.6-35B-A3B。通用能力方面，官方称在指令遵循、知识、逻辑推理和长文本理解上达到或超过同尺寸自回归模型，这句话的措辞很谨慎，是达到或超过，不是领先。
读这些分数需要几个前提。评测由模型方自己组织，对照模型的版本与提示词模板是否最优没有交代；680词元每秒来自内部测试，WindTunnel那组数据来自社区开发者，两者的硬件环境和batch设置并不相同；速度优势在短任务上最明显，长任务里块与块的一致性校验会吃掉一部分收益。这些都写在技术博客的边角位置，没有写进宣传语。
不过分数本身含金量不低。SWE-bench Verified 73.6这个量级，已经落在闭源中型模型的区间里，而它的激活参数只有3B。终端类任务的51.7与τ³的65.3也说明，扩散解码不只适合写代码，在需要多轮工具调用的对话里同样站得住。真正的疑问在于，这些成绩是在多少次重试里取的最好值，官方没有交代尝试次数。
权重与代码已经放到Hugging Face和GitHub，支持SGLang与llama.cpp推理，也可以通过官方站点申请在线体验。训练侧的信息给得很少，数据配比、训练时长、算力规模都没有公开，这决定了它暂时只能被使用，不能被复现。对研究者来说，这是最影响判断的一项缺失。
团队给出的下一步是两条产品线：一条是决策模型，支持单次生成联合处理最多8个关联问题，避免多个判断之间的逻辑冲突；另一条是多模态模型。这两个方向都和扩散的并行特性贴合，因为一次性看到全局，本来就比逐字推进更适合做约束满足类的判断。扩散语言模型要走多远，最终不取决于速度快几倍，而取决于有没有人愿意在它上面搭工具链。生态这件事，开源只是入场，后面还要看社区肯不肯为它写适配器。
对比一下时间线会更清楚。自回归路线从2019年走到今天，靠的是六年间不断累积的推理框架、量化工具和微调脚本，这些工作绝大多数由社区完成。扩散语言模型要从论文变成生产工具，同样需要这段长尾。Clover已经兼容SGLang与llama.cpp，这是一个好的起点，但真正决定它能不能被企业采用的，是它在长上下文、结构化输出和函数调用这些工程细节上有没有人愿意踩坑并回填。