扩散智能开源Clover-35B-A3B-Preview：350亿参数，象棋对弈胜Jev
智东西（公众号：zhidxcom）作者 | 王涵编辑 | 李水青智东西10月28日报道，今天，深圳大模型厂商扩散智能（DiffuSpace）发布并开源扩散语言模型Clover-35B-A3B-Preview，该模型采用混合专家架构（MoE），总参数350亿、激活参数30亿，支持思考模式。该公司发布的基准测试结果显示，C
10月28日，智东西报道，深圳大模型厂商扩散智能（DiffuSpace）当天发布并开源扩散语言模型Clover-35B-A3B-Preview。这是一款混合专家架构（MoE）模型，总参数350亿、激活参数30亿，支持思考模式。
按照扩散智能公布的基准测试结果，Clover-35B-A3B-Preview在SWE-bench Verified、Terminal-Bench2.1等6项智能体编程及工具使用任务评测中拿下同级别模型第一，成绩压过同规模自回归模型Qwen3.6-35B-A3B。
HuggingFace：
GitHub：
https://huggingface.co/Diffuspace/Clover-35B-A3B-Preview
ModelScope：
https://github.com/DiffuSpace/Clover-35B-A3B-Preview
扩散智能同时推出了一款决策模型，基于Clover-35B-A3B-Preview，面向快速、结构化的判断任务。作答方式有独立模式和联合模式两种，该模型将在后续发布。
https://modelscope.cn/models/Diffuspace/Clover-35B-A3B-Preview
申请在线体验：https://chat.diffuspace.ai/
开源决策模型TypeSafe的Jev走的是单点评估路子，联合模式不一样：它从全局统筹开展推理，把多项判断放在一起相互参照，避免逻辑冲突，一组关联决策一次做完，省掉多次交互的耗时，推理结果更快也更稳定。
内部验证包含500组、2420道关联问题。联合模式答对95.0%，其中80.4%的问题组全部答对。同一模型独立作答时，这两项分别是89.8%和62.4%；Jev在相同题目的历史评测中分别为63.6%和15.8%。
对比案例里有一道合同判断问题。Clover-35B-A3B-Preview决策模型的联合模式5项判断全对，独立模式答对4项，Jev答对2项。
这款决策模型还跟Jev下了一盘中国象棋，结果扩散智能的决策模型执黑获胜。
扩散智能2026年成立于深圳，由港大NLP实验室联合主管孔令鹏教授与其博士生龚珊三、叶佳成联合创立。核心团队长期研究扩散语言模型，是全球最早探索该路线的团队之一，在条件生成、离散信号建模、Scaling三大dLLM（扩散大语言模型）核心问题上取得全球领先突破。
这支团队2022年就启动了dLLM前沿研究，提出DiffuSeq，开创了扩散模型处理序列到序列文本生成（Seq2Seq）的技术路径。2025年4月，其推出扩散语言模型Dream 7B，至今Dream系列模型累计在Hugging Face下载超270万次。
10月9日，扩散智能首次公布融资：其连续完成两轮融资，总金额数亿元人民币，创下公开披露的全球dLLM最大规模融资纪录。
一、6项Agent测评第一，单卡GB300生成速度达680 tokens/s
基准测试方面，Clover-35B-A3B-Preview在智能体编程与工具使用任务中表现较好。本次对比的6项Agent评测，该模型都拿到了所列模型中的最高分。
具体看，SWE-bench Verified为73.6分，Terminal-Bench2.1为51.7分，τ³ Overall为65.3分，超过同为扩散语言模型的LLaDA2.2 flash、Mercury 2.5，也超过同尺寸自回归模型Qwen3.6-35B-A3B和Qwen3.5-35B-A3B。
指令遵循、知识、逻辑推理和长文本理解等多项评测中，其成绩达到或超过同规模自回归模型，GPQA Diamond、ZebraLogic和AA-LCR分别达到83.8、95.8和72.0分。
推理效率方面，团队用内部Agent任务执行记录做测试，这些记录覆盖代码编写、终端操作和工具调用等场景。
端侧部署上，Clover-35B-A3B-Preview在单张NVIDIA GB300 GPU上，以BF16精度、batch size=1，整体生成速度达到680 tokens/s。
单张NVIDIA H200 GPU上，Clover达到515tokens/s，DFlash2方案为365 tokens/s。
与其他代表性轻量级、高效推理或端侧部署模型对比，Clover-35B-A3B-Preview在9项评测中的6项取得最高分，优势覆盖知识推理、工具使用与智能体编程。
二、路线规划28步完成，49项Agent任务耗时中位数仅1.52秒
依托Clover-35B-A3B-Preview在推理、工具使用以及编程上的能力，用户可以借助该模型完成路径规划、WebMCP任务、模拟桌面环境、智能体调度等工作。
[[保留4]]
匹兹堡CMU到最近的Wendy's开车要多久？面对这类提问，Clover会先发现结果不对，再把城市、街区、邮编逐层补进检索条件，页面卡住后还重置了两次、重填路线，最后找到那家门店，给出2.0公里、约3分钟的驾车答案。
同一道对照题里，Clover-35B-A3B-Preview走完28步、用了169.9秒；Qwen3.6 Flash把30步用满、耗掉578.3秒，停下的门店仍距起点347公里、车程约4.5小时，任务评判没过。
借助网页给出的工具，Clover-35B-A3B-Preview能连着办完开票、课程注册、金额汇总、事件状态与客户信息查询这些事。
此外，它还能新建私有项目、拉成员进来。智能体框架、提示词、工具和浏览器配置都保持一致，这次运行中Clover-35B-A3B-Preview花13步、169.9秒做完，Qwen 3.6 Flash则用了21步、392.3秒。
49项任务、每项试3次的完整评测里，Clover的Agent执行耗时中位数为1.52秒，Gemini 3.6 Flash是8.86秒。
有个案例要求只用一个HTML文件搭出桌面环境，窗口能拖动，还能同时打开几个小应用。
Clover-35B-A3B-Preview交出的成品里有程序坞、窗口系统，记事本、计算器、时钟、天气和设置等应用也都在。
演示时，应用可以打开，文本可以输入，计算器能按，设置也能调。
换成城市低空无人机调度演示，模型得把复合空管报文拆成禁飞区解除、航点修改、任务分配、禁飞区半径调整和紧急调度等好几项任务。
Clover-35B-A3B-Preview在0.97秒后把5项正确结果一并给出。Qwen到3.78秒才亮结果，还把UAV5的测绘任务错认成医疗任务。
三、重构双向门控Delta网络，兼顾推理速度与性能
速度与性能能同时顾上，靠的是扩散智能团队在架构上做的针对性改动。
具体到Clover-35B-A3B-Preview，团队重构了双向门控Delta网络（Bidirectional GDN），历史记忆与块内去噪这两条链路各走各的计算范式。
模型已经生成的上下文，交给GDN递归状态做高效压缩；当前块内的Token，则用双向Softmax注意力做细粒度交互。
核心机制上，技术团队把历史记忆的读出单独当成一个信息单元，和块内Token放进同一次Softmax运算里筛选，让模型自己在推理时学出对历史信息与当前块信息该给多少依赖权重。
团队还加了一套可学习的块大小校准机制，用来缓解块内Token变多后历史权重被稀释的问题。
局部特征提取这块，扩散智能团队给右侧上下文单独搭了零初始化的卷积分支。做法沿用预训练因果卷积原有的行为，让模型分别去学左右两个方向的特征表征。
紧凑的长程记忆、可选的块内交互、双向局部感知，三样合在一套架构里，GDN因此更贴合块级并行去噪的路子。
结语：押注开源端侧Agent路线，harness产品近期上线
大模型产业眼下还是自回归架构说了算，推理栈、Agent框架、部署工具链基本都围着它转。扩散语言想真正进产业，得拿出和现有工具生态的兼容性，也得说清开发者的迁移成本和规模化交付稳不稳。
扩散智能把开源、端侧、智能体能力当切口，图的就是把试用门槛降下来，让开发者和终端厂商能快点上手验证，把技术落地往前推。
另一边，扩散智能团队透露，智能体运行框架（harness）和桌面编程客户端正在研发，相关工具还没做完，计划近期上线。
