DiffuSpace 开源 Clover-35B-A3B-Preview：以 MoE 扩散架构探索更快的语言生成

据 IT之家 10 月 29 日报道，人工智能实验室扩散智能（DiffuSpace）于前一日发布 Clover（三叶草）系列的首个模型 Clover-35B-A3B-Preview，并以 Apache 许可开源。该模型采用 MoE 架构与扩散式语言生成路线。DiffuSpace 表示，它在多项基准测试中超过同规模自回归模型 Qwen3.6-35B-A3B，尤其擅长智能体编程和工具使用，同时保持更快的生成速度。上述表现来自发布方介绍，实际应用效果仍需结合具体任务验证。

不再只按顺序续写，扩散模型如何生成文本？

当前常见的自回归语言模型，主要通过逐步预测后续内容完成生成。Clover 采用的扩散路线有所不同：来源将其描述为具备“全局思维”，通过多轮迭代，让输出从模糊逐渐变得具体。这里的“全局思维”更适合理解为对生成机制的概括，并不意味着模型拥有类似人的思考能力。

两条路线的差别，不只是回答呈现方式不同，也涉及生成过程如何组织。自回归模型侧重沿已有上下文继续推进；扩散模型则通过反复调整逐步形成结果。这让语言模型的性能竞争多了一个观察维度：除了参数规模和训练方式，生成机制本身也可能成为效率提升的突破口。

Clover 同时采用 MoE 架构，即混合专家架构。不过，现有摘要没有给出专家配置、训练数据规模及具体推理设置，不能仅凭模型名称判断其完整部署成本。

性能与速度主张，重点看哪些信息？

DiffuSpace 将此次发布视为扩散语言模型走向更大参数尺度的一次验证：这一路线不仅可能与自回归模型竞争，还可能在部分任务中略胜一筹，并保留速度优势。根据来源，目前值得关注的要点包括：

• 模型定位：Clover 系列首个成员，名称带有 Preview 标识。
• 技术组合：采用 MoE 架构，以多轮迭代方式完成扩散式语言生成。
• 性能对照：发布方称其在多项基准中超过 Qwen3.6-35B-A3B。
• 突出方向：智能体编程与工具使用，是此次介绍强调的任务能力。
• 开放方式：以 Apache 许可开源，为开发者开展评估和实验提供基础。

需要注意的是，来源摘要没有列出具体基准分数、速度倍率或测试硬件。因此，“更快”不能直接换算为所有设备、所有任务下的固定收益；基准领先也不等于每个真实业务场景都会领先。

产业解读：为智能体工具链增加一种候选路线

对开发者而言，Clover 的看点不只是又一个开源模型，而是扩散式生成能否同时满足能力与响应效率需求。编程智能体和工具调用通常涉及多轮交互，模型若能在保持任务质量的前提下缩短生成等待时间，就可能改善使用体验。但端到端效率还取决于工具执行、上下文处理和系统编排，不能只看文本生成速度。

Apache 许可开源则有助于社区开展独立测试。对于计划将其纳入代码助手或自动化流程的团队，更稳妥的方式是以自身任务评估正确率、工具调用可靠性和实际延迟。此次发布提供了一个值得跟踪的新样本；其速度与能力优势能否稳定复现，将是判断扩散语言模型应用价值的关键。