扩散智能Clover杀入Agent:350亿参数模型跑出5—10倍生成速度

资讯 InfoQ 作者:蔡芳芳 全文 7264 字 · 约 19 分钟读完 配图 6 张 分类智能体大模型

AI 已经开始替人写代码、操作软件、执行复杂任务,但支撑它们的主流大语言模型,仍然在一个 Token 接一个 Token 地生成答案。

所属频道 模型发布智能体与 Agent

AI 已经能替人写代码、操作软件、执行复杂任务,可撑起这些能力的主流大语言模型,依旧是一个 Token 接一个 Token 地往外吐答案。

扩散语言模型走的是另一条路:多个 Token 可以并行生成,生成过程中还能反复调整内容,不必死守从左到右的顺序。这条路线过去最吸引人的地方是速度。如今 Agent 成了大模型竞争的重点,扩散模型也开始试着证明自己能干更复杂的活。

前不久,扩散智能(DiffuSpace)把 Clover-35B-A3B-Preview(下文简称 Clover)开源出来,总参数量 350 亿,激活参数约 30 亿。11 月 19 日,团队正式发布技术报告,SFT 代码也同步开放,模型的架构设计、训练方法与评测结果由此披露得更完整。

技术报告链接:https://arxiv.org/abs/2611.24636

开放代码链接:https://github.com/DiffuSpace/Clover-35B-A3B-Preview/tree/main/sft

在统一评测协议下,技术报告所列对比模型中,Clover 于七项 Agent 指标上全部拿到最高分,覆盖工具使用、专业工作和智能体编程。其中 SWE-bench Verified 为 73.6,Terminal-Bench 2.1 为 51.7。速度上,部分测试配置下,Clover 的 Token 生成速度是同级别自回归模型的 5—10 倍。

不过,从生成 Token 到完成任务,中间还隔着工具调用、环境反馈、测试与代码修复等环节。生成更快,只能压缩其中一部分等待时间;最终能转化成多少实际生产力,还要看任务本身和执行流程等多方面因素。

团队眼下仍在持续验证的,是从生成提速走向完整任务效率提升这件事,扩散智能联合创始人、首席科学家龚珊三在接受 InfoQ 专访时这样表示。为了让扩散模型能够高效应对长上下文和复杂任务,团队对底层架构进行了较大幅度的调整,通过分块扩散来削减重复计算,并在当前生成块内实现双向信息交互。接下来如何把双向建模的范围进一步拓开、让扩散模型在全局规划上的潜力真正释放,依旧是团队下一阶段的研究重心。

对这条技术路线,龚珊三信心很足,此前那个判断她依然坚持:未来一到两年,扩散语言模型有望在部分具体场景里取代同规模的自回归模型。从 2022 年只有少数研究者做早期探索,到现在卷入 Agent 编程和工具使用的竞争,扩散模型一路跨过了哪些门槛,又有哪些方向还值得继续挖?

扩散模型想跑得更快,为什么反而要把文本切成小块?

2022 年龚珊三动手探索扩散语言模型时,自回归生成在大语言模型领域已经是热门路线。她参与的 DiffuSeq,是比较早把扩散机制引入文本条件生成的研究之一。团队当时就判断,这种生成方式或许能带来更高的并行效率,也有希望通过双向信息交互让推理和全局规划能力变好。四年之后再回看,龚珊三认为,这条路线后来的发展大部分都超出了当初的预想。

头一件事是 Scaling。2023 年团队着手扩大模型规模,可当时几乎没有成熟经验可循。能试的技术路径太多,哪种管用、哪种走不通,只能挨个试。团队最早在连续空间里做扩散建模,结果发现学习复杂度太高,模型很难训起来;之后转到离散空间,做了多轮实验,才慢慢摸出一条可行的路。

比试错更折磨人的,是不知道这条路到底走不走得通。那时候研究扩散语言模型的人寥寥无几,既不清楚是否有人在做类似的事,也说不准这个方向能走多远,这种未知本身就够研究人员受的。从最初几个人摸索,到后来组起研究小组,再到现在 Google、Inception、蚂蚁等越来越多团队入场,原本冷门的方向渐渐有了同行者,龚珊三也因此更确信,扩散语言模型值得长期投入。

模型规模一大,有个问题就越来越扎眼:扩散模型处理长上下文时,怎么还能保持高效生成?早期方案得反复处理较大范围的序列,上下文一长,重复计算的开销就跟着涨。

Clover 用分块扩散(Block Diffusion)来化解这个矛盾。生成过程被切成多个 Block,每个块内部照样以扩散方式并行生成 Token,已完成的部分则能借 KV Cache 复用,不必反复计算历史上下文。块内并行生成的好处保住了,长序列生成的开销也压了下来。

但分块之后,模型必须同时处理两类信息:此前已经生成的历史内容,以及当前 Block 内需要相互参照的 Token。为此,Clover 对 Gated DeltaNet(GDN)进行了双向改造,形成 BD-GDN。相比主要面向从左到右生成的原有设计,BD-GDN 既要高效保存和读取历史信息,也要支持当前块内部的双向信息交互。

扩散智能的技术报告显示,Clover 采用混合架构,每四层为一组,包括三层 BD-GDN–dMoE 和一层 Full Attention–dMoE,重复十次。具体实现上,团队把历史状态读取的信息与当前块内部的信息放进同一个 Softmax 中处理,并引入可学习的块大小校准机制;另外增加独立的右侧上下文卷积分支,让模型在处理当前位置时,也能用上当前块内后续位置的信息。这些改造都是为兼顾历史信息复用与块内双向建模。

扩散智能Clover杀入Agent:350亿参数模型跑出5—10倍生成速度(配图 1)扩散智能Clover杀入Agent:350亿参数模型跑出5—10倍生成速度(配图 2)

Clover 走的是分块扩散的路子,一边降低长序列生成开销,一边靠块内双向信息交互,在 Agent 编程、工具使用等任务上交出了有竞争力的成绩。而这还只是扩散模型双向建模能力的一部分:眼下模型仍按 Block 一步步往后生成,双向生成与修改基本局限在块内。

在龚珊三看来,真正的全局规划应当是从头到尾的全局规划,目前这一点其实还没有完全做到。可即便全局建模的潜力尚未充分释放,Clover 已经拿出有竞争力的任务表现,团队也因此更有底气接着往下探。

把生成块做大是方向之一。技术报告显示,在完整的 64 条 Agent 历史轨迹前缀回放测试里,Clover 将块大小从 8 增至 16 之后,每轮提交的 Token 数和实际吞吐量都有提升。接下来团队还会继续研究,更大的生成块会给推理质量和任务表现带来什么影响。

模型生成快了,Agent 办完整件事也能跟着快吗?

对想真正落地的扩散语言模型而言,速度只是头一道坎。Agent 现在得直接读文件、调工具、跑程序,还得盯着执行结果随时调整动作。模型能不能扛下这类复杂活儿,分量已经不输给生成效率。Clover 35B 就把 Agent 编程和工具使用定成了主攻方向。

扩散智能公布的评测里,Clover 35B 在 SWE-bench Verified、Terminal-Bench 2.1 和 τ³ Overall 上的成绩分别是 73.6、51.7 和 65.3,压过所列同规模自回归模型和其他扩散模型。SWE-bench Verified 里有 500 个经人工核验的真实 GitHub 软件工程问题,模型得看懂代码仓库再动手修;Terminal-Bench 2.1 则要求模型在终端环境里真刀真枪执行任务。

扩散智能Clover杀入Agent:350亿参数模型跑出5—10倍生成速度(配图 3)

可 Agent 最终干得怎么样,不光看模型,任务执行框架(Harness)、工具配置、上下文管理都在掺和。公开评测里,Clover 用的是跟对照模型一样的 Harness,尽量把执行系统差异排除在外。到了实际应用,扩散智能也在做专门适配扩散模型的 Harness,想再把并行生成的优势多榨出一点。

眼下多数 Agent 框架是围着自回归模型转的,流程一般是“生成内容—调用工具—等反馈—接着生成”。扩散模型一次能吐出多个 Token,模型生成和工具执行怎么配合,就有了新玩法。比如几个互不依赖的工具调用,系统可以试着并行跑,不用排着队一个个等。龚珊三的看法是,把模型和 Harness 放一块儿协同设计,Agent 整体执行效率还有往上走的空间。

有些实际任务已经露了这种苗头。一项测试要求通过浏览器建私有项目并邀请成员,Clover 花了 13 个步骤、169.9 秒搞定,对照的 Qwen3.6 Flash 用了 21 个步骤、392.3 秒。另一组 WindTunnel 测试覆盖 49 项任务,Clover 执行耗时中位数 1.52 秒,Jev 与 Mercury 2.5 的组合是 3.21 秒。除了模型响应快,执行步骤和工具调用里的时间开销,也开始成为扩散模型亮效率优势的地方。

扩散智能Clover杀入Agent:350亿参数模型跑出5—10倍生成速度(配图 4)

但放到更复杂的 AI 编程任务里,写代码只是整个工作流的一截。模型还得跑测试、接报错、改代码,有时候要来回试好几轮。一次生成是快,可要是错误反复冒出来、修个没完,整项任务最后花的时间未必能按比例缩下来。

模型吐 Token 快了好几倍,Agent 办完一整项任务到底能快多少?龚珊三说这是个复杂的工程问题。端到端任务耗时,团队还没做过严格的系统性比较,但按目前的使用体验,她估摸模型速度的提升大致能以 1:1 的比例转成任务效率的提升。往后要是让模型生成和 Harness 里的工具调用等环节配合得更顺,还有机会做出“1+1 大于 2”的效果,团队正朝这个方向摸。

速度之外,扩散模型在代码和结构化数据生成上的一致性也是个潜在长处。代码里前后引用的变量得对得上,JSON 的括号和字段必须卡死格式。扩散模型在一个生成块内部就能同时用上前后位置的信息,龚珊三认为这对生成内容的前后一致有帮助。

当然,Clover 也不是项项评测都领先。Humanity's Last Exam(HLE)这类高难度测试里,它的表现偏弱,部分传统任务的成绩也比 Qwen 略低。龚珊三主要把原因归到相关训练数据不够上。

其实扩散模型并不需要另备一套训练数据。团队现在用的数据跟自回归模型基本一样,差别主要落在数据处理和学习方式上:训练时随机遮蔽(Mask)部分 Token,再让模型学着把这些内容补回来。同一批数据,处理和学习的路子不同,模型最后学到手的本事也可能不一样。

AI 怎么又回头学起“凭直觉做决定”了

这几年,大模型行业一路追更强的推理能力,想拿更长的思维链、更多的测试时计算换更准的答案。不过最近另一种思路开始有人关注:AI 真有必要每次都琢磨那么久吗?

Jev 这类决策模型冒出来之后,行业又把目光挪回类似人类直觉的 System 1 快速决策能力上。在龚珊三看来,Jev 本身有些技术争议,但它确实让人重新掂量快速决策的价值。对以并行生成为一大优势的扩散语言模型来说,这也是个顺风的方向。扩散智能推出 Clover 的时候,就同步亮出了联合决策模型的研究进展,这个场景能把扩散模型在速度和双向信息交互上的长处再放大一些。

龚珊三拿打羽毛球打比方:运动员接球那一下,不会先算球的轨迹、把所有可能的动作分析一遍,再决定怎么挥拍。很多判断靠的是经验攒出来的快速反应,极短时间里就完成了。AI 进了真实环境也会碰上类似情形,比如机器人判断道路安不安全、东西抓不抓得住,或者下一步该往哪个方向挪。要是每次都走一遍漫长的 Thinking 过程,可能根本来不及反应。

可快速做出单个判断只是头一步。几个决策之间有关联的时候,模型能不能既保住响应速度,又把不同判断之间的约束关系照顾到?

扩散智能在官方技术博客里晒了一项合同判断任务:模型要对着同一份合同,回答通知是否及时、保证金该不该保留等五个相互关联的问题。这些问题之间有逻辑约束,比如只有通知及时才允许保留保证金。逐题独立判断的话,模型可能一边认定通知已经超时,另一边又觉得保证金可以留,结论就自相矛盾了。扩散智能的联合决策模型用双向生成机制,让多个答案在同一次生成里互相参照。这项测试中,联合模式五题全对,独立模式答对四题,Jev 只答对两题。

这套联合决策的思路,放到棋类、数独上也同样成立。棋盘上不同落点之间彼此牵制,数独里各格数字互相约束,模型得把多个判断放在一起权衡,不能只盯着单步走得对不对。

内部更大范围的测试也出现了相近的落差。最新技术报告给出的验证集包含 500 组、共 2,420 道关联问题:同一个决策模型若采用联合预测,单题准确率是 93.88%,整组全对率 77.0%;换成独立逐题预测,两项数字分别降到 90.37% 和 65.4%。整组全对率因此提高了 11.6 个百分点,说明这种方式在关联判断任务里确实有用。

扩散智能Clover杀入Agent:350亿参数模型跑出5—10倍生成速度(配图 5)

与需要生成大段文本的 Agent 任务不同,这类决策的输出范围通常较短、也相对固定,扩散模型正好能借双向信息交互,在一次生成中把多个判断之间的关系一并盘算。拿 Clover 当前的处境对照就更清楚:长序列生成仍被 Block Diffusion 卡着,而联合决策模型可以在较短的输出范围内做完整的双向建模。

除了把决策做快,扩散智能还在琢磨更省力的推理路径,想把扩散架构的并行优势再压榨一些,让响应更快的同时不掉质量。普通用户其实不关心模型内部怎么推理,他们只看结果好不好、思考与干活够不够快。

这些尝试正被推到具身智能等更宽的场子里。龚珊三说,团队已经开始部署机器人并做相关研究,多模态会是下一阶段的重头戏。从 Agent 编程、联合决策一路走到需要实时感知和行动的机器人,扩散智能在给扩散生成范式找更多落脚点。

坚持做基础模型公司,但扩散智能还要跨过几道坎

随着 Clover 涉足 Agent 编程和工具使用,扩散智能自己也做起了 Agent Harness 和编程客户端。表面看,这家专攻扩散语言模型的公司像是往应用层伸手了,可龚珊三把话说得很清楚:扩散智能依旧是一家基础模型公司。

她认为,只做产品的公司很容易被基模吃掉。个人助手、编程助手这类 AI 产品能靠交互体验和特定功能拉开差距,但基础模型能力一涨,这些功能就可能被模型厂商收走。与其跟成熟的 AI Coding 产品抢用户,扩散智能更愿意把钱和人力砸向底层模型。做 Harness 和客户端,主要是适配扩散模型的并行生成特性,让人看到它与自回归模型不一样的使用体验,并不是要转去打 C 端。

基础模型研发里,怎么把训练算力用得更划算同样是道难题。Clover-35B-A3B-Preview 的做法是从已有的自回归模型起步,复用 Qwen3.6-35B-A3B 在预训练阶段攒下的能力,再做扩散适配。这条路省掉了从零训练的投入,团队也能把力气更多放在扩散架构和并行生成上。

训练成本已经因此降了不少,但扩散模型可能还需要更多训练轮次。龚珊三觉得,用训练阶段多投一点,换推理阶段更高的效率,这笔账值得算:模型训完之后要被反复调用,推理端省下的时间和算力,会在长期使用里一点点攒出来。

更现实的麻烦在于,今天大模型的软硬件生态基本围着自回归架构转,现有的推理算子、Serving 框架,乃至 GPU 的算力和显存配置,未必最合扩散模型的胃口。不少基础设施得靠团队自己开发、自己调优。对一家还打算继续把模型做大的创业公司来说,算法突破之外,还有一堆基础设施的活要补。

这也是扩散智能持续往开源生态里投的原因。Clover 已开放模型权重和相关代码,并支持 SGLang、llama.cpp 等推理框架。团队想拉更多开发者进来,一起做模型部署、算子优化和应用探索,把扩散语言模型尚不成熟的工程生态慢慢补起来。

挑战不少,龚珊三却仍守着此前那个挺大胆的判断:未来一到两年,扩散模型有机会替代自回归模型。不过她说的“替代”先发生在部分具体应用场景,并不是短期内全面顶掉 OpenAI、Anthropic 等公司的前沿模型——后者在模型规模、算力和工程生态上的优势,还得花时间追。

更现实的机会可能在端侧部署这类对速度和成本敏感的地方。扩散智能正在试 AI PC、车载等应用:设备本身有相应算力时,本地部署比一直调云端 API 更省长期费用,响应也更及时。技术报告里,团队用配备 16GB 显存的 RTX 5070 Ti、AMD Ryzen 7 9700X CPU 和 64GB 主机内存的机器,通过 SGLang 与 KTransformers 做 GPU–CPU 混合专家推理。Clover 的路由专家权重采用 INT4 量化,主要非专家模块保留 BF16。完整 MATH-500 测试中,优化专家放置后,top-8 验证配置达到 97.52 Tokens/s 的解码吞吐量,人工复核准确率 97.6%;进一步用 top-6 验证时,吞吐量升到 106.25 Tokens/s,准确率 96.0%。

扩散智能Clover杀入Agent:350亿参数模型跑出5—10倍生成速度(配图 6)

对扩散智能来说,这意味着一开始不必跟参数最大、算力投入最高的前沿模型硬碰硬,而是能在具体场景里,靠同等规模下的能力、速度和成本优势去争替代的机会。

2027 年,扩散智能仍打算把绝大部分资源投进基础模型训练,Scaling 和多模态是两个主攻方向,Agent 产品与开发者生态继续围着模型能力转。四年前,扩散语言模型还是少数研究者在啃的冷门路线;现在,Clover 已经在复杂 Agent 任务里跟自回归模型过招。可算法上的突破,还得靠算力、工程生态和实际应用一起托住,才能真正变成市场竞争力。

对扩散模型而言,真正要紧的突破,也许不是证明它能换一种方式生成 Token,而是让这种不一样,最终变成用户愿意选它的理由。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 网易智企发布双向AI安全架构,Agent越权风险怎么治?

    “当AI从“回答问题”走向“执行任务”,安全治理的边界也必须同步延伸。“数据安全”、“内容审核”曾是企业讨论AI风险时最常见的关键词。但当AI开始读取内部资料、调用外部工具、连接业务系统,甚至按目标完成一连串任务,问题已不只是模型会不会说错话,而是它会不会做错事。11月3日,在2026年世界互联网大会“互联网之光”博览

    来源 腾讯网
  2. 梁文锋的“大肥鱼”,围剿大厂 Agent 地盘?

    点击 Tech星球 > 点击右上角“···” > 设为星标 Tech星球(微信ID:tech618)文 | 华卫封面来源 | 豆包AI龙虾(OpenClaw)成为过去时,现在AI社区里流行起了“养鱼”。近日,一群有独特个性的AI小鱼活跃在互联网各个角落。除了在办公、编程中干活,还做了不少意想不到的事儿,有的在社交平台到

    来源 腾讯网
  3. DeepSeek开源Agent框架WorkBuddy:154万日活,社区养出3.5万插件

    龙虾(OpenClaw)成为过去时,现在AI社区里流行起了“养鱼”。 近日,一群有独特个性的AI小鱼活跃在互联网各个角落。除了在办公、编程中干活,还做了不少意想不到的事儿,有的在社交平台到处留言互动,还有的跑到抖音直播,甚至相互之间还谈起了恋爱。 而它们的“本体”,来自DeepSeek开源的Agent框架DeepSee

    来源 AI 行业观察
  4. Anthropic上线Claude关联账单测试:OAuth计费打通第三方应用

    据多家媒体报道,Anthropic近日在Claude平台推出测试版关联账单功能,并同步启动第三方应用关联计费OAuth测试,被视为其构建开放生态的关键一步。此举顺应大模型从对话工具向智能体、多应用平台演进的趋势,旨在打通第三方应用与底层平台的计费及互联,推动生态开放与协作。

    来源 AI 产业速递
  5. Exa年化收入破1亿美元,Vercel收购Traces,Agent基建竞争升温

    2026年末的AI圈不再只盯着模型参数,而是转向了更务实的基础设施。Exa凭借Agent搜索需求实现年化收入1亿美元,Vercel收购Traces试图定义新的软件原语,Google Cloud则指出算力瓶颈已转移至数据I/O。与此同时,国内大厂开始主动限制模型的攻击能力,Claude Code团队公开了高比例AI生成代

    来源 AI 应用前沿
  6. 蚂蚁国际杨鹏:AI与通证化重塑资金流动,普惠可信成关键

    在今天的“未来金融体系”圆桌讨论上,蚂蚁国际CEO杨鹏预测下一代金融体系发展:当AI、通证化与智能体商业重塑资金流动方式,真正决定成败的不仅有更强的智能,而包括——普惠普及性(Accessibility)与可信任(Trust)。“如果只有大型企业、大公司和大型科技公司能把这一切收入囊中,那样的未来会非常无趣。”

    来源 TechWeb
  7. 蚂蚁国际杨鹏SFF谈未来金融:AI重塑资金流动,普惠与可信成关键

    在今天的“未来金融体系”圆桌讨论上,蚂蚁国际CEO杨鹏预测下一代金融体系发展:当AI、通证化与智能体商业重塑资金流动方式,真正决定成败的不仅有更强的智能,而包括——普惠普及性(Accessibility)与可信任(Trust)。“如果只有大型企业、大公司和大型科技公司能把这一切收入囊中,那样的未来会非常无趣。”

    来源 TechWeb
  8. Agent框架怎么选:用三条硬约束筛,别在LangGraph和Codex之间二选一

    面对LangGraph、DSH、Codex等六个主流Agent框架,很多开发者陷入“谁更好”的误区。本文提出12维对比法,强调✅/⚠/❌是工程行动信号而非评分。通过模型兼容、默认沙箱、本地形态三条硬约束先筛后评,主张跨框架分层组合:DSH作运行时,LangGraph提供流程表达,Codex贡献沙箱设计。附带决策矩阵代码

    来源 AI 应用前沿
  9. 2026 AI·营销大会11月25日落地上海:Agent营销如何走向规模化

    2026年,AI Agent在营销领域的应用正加速深入。从创意内容生成、消费者洞察,到Campaign执行、投放优化与增长复盘,Agent正逐步参与营销业务的更多环节。随着AI应用从单点任务向完整业务链条延伸,如何将Agent融入企业真实业务系统与工作流程,实现规模化部署与持续价值创造,正成为品牌企业关注的重要议题。

    来源 AI 行业观察
  10. 小红书内测「搭搭」:把个人生活经验做成Agent

    内容编辑丨特工小师 特工小天内容审核丨特工少女前两个月我们在编辑部讨论过一个问题:Personal Agent 这个概念今年越来越热,国内互联网大厂里,谁最有可能做出一个真正围绕个人生活的 Agent?当时我脑子里第一个跳出来的答案是小红书。我们生活里那些很个人的事情,买什么防晒霜、周末去哪吃饭、装修选什么风格、养猫喂

    来源 腾讯网
  11. Strands Box:给Agent套上沙箱,决策模型砍掉输出头

    AWS首席开发者布道师Darko介绍决策模型文丨苏扬编辑丨徐青阳让Agent往readme.md里加一行 Hello,这条再普通不过的指令却被拒绝了。11月18日,亚马逊云科技(AWS)在北京举办了一场开发者沟通会,邀请首席开发者布道师Darko详细讲解了AWS为开发者提供的构建Agent的工具箱“Strands”。写

    来源 腾讯网
  12. AgentOS实战:企业AI Agent怎样从聊天转向办事?

    2026 年,企业不再满足于 AI 陪聊。本文拆解 AgentOS 如何通过身份透传、能力审核和确认卡机制,让 AI 在 RuoYi Office 中安全执行报销、查询等真实业务。重点分析“人在回路”的必要性及选型避坑指南。

    来源 AI 应用前沿
  13. 县域小店商家算起“AI账”:2026年“Agent元年”目光投向何方

    作者 |尔尔‍‍‍编辑 | 车卯卯小城的AI账本2026年,被不少人称为“Agent元年”。3月,OpenClaw掀起了一阵“养虾”热潮。在那之后,AI行业的目光密集投向一线写字楼 —— 写代码、做文档、画PPT。办公场景成了各家厂商竞逐的主战场。据《2026年中国AI办公智能体产业发展白皮书》,仅半年内,就有超过20

    来源 腾讯网
  14. 腾讯 WorkBuddy 日活破千万,一个什么信号?

    刚刚,腾讯宣布其旗下的 AI Agent 产品 WorkBuddy 日活跃用户突破千万,日均 Token 消耗量超 100 亿,成为中国大语言模型 Token 用量最高 AI 产品。 WorkBuddy 不是传统意义上的 AI 聊天机器人,也不只是 AI 办公软件,更准确的定义是面向知识工作者的通用型 AI Agent

    来源 AI 行业观察
  15. 腾讯WorkBuddy日活破千万:日均Token超100万亿,500强渗透一半

    腾讯今日发布 2026 年第三季度财报,其中披露了 WorkBuddy 的最新数据:截至 11 月初,这款 AI 助手日活跃用户数已突破 1000 万,日均 Token 调用量超过 100 万亿,一举成为中国大语言模型日均 Token 用量最高的 AI 产品。自今年 3 月发布以来,它已完成 100

    来源 AI 开发者社区
  16. 腾讯WorkBuddy日活破1000万,日均Token调用量超100万亿

    IT之家 11 月 18 日消息,腾讯今日发布 2026 年第三季度财报,截至 11 月初,WorkBuddy 日活跃用户数超过 1000 万,日均 Token 调用量超过 100 万亿,成为中国大语言模型日均 Token 用量最高的 AI 产品。 官方表示,自今年 3 月发布以来,WorkBuddy 已完成 100

    来源 AI 行业观察
  17. 腾讯WorkBuddy日活破1000万:日均Token超100万亿,企业500强渗透过半

    腾讯2026年第三季度财报披露,AI助手WorkBuddy截至11月初日活突破1000万,日均Token调用量超100万亿,成为中国大语言模型日均Token用量最高的AI产品。自今年3月发布以来,它已完成100多个大版本更新,迭代迅速;C端火热同时,B端也在拓展,开放平台上线仅两个月,Buddy应用已取得进展。

    来源 AI 产业速递
  18. Claude Code新模式来了,不换模型,Token消耗最高砍掉77%

    用过 Claude Code 的开发者,几乎都有过同一种体验:干活确实爽,但看着后台飞速跳动的 Token 消耗和账单,心也在滴血。 过去想让 AI 智能体跑得更快、花钱更少,用户通常只有两条路:要么苦等厂商发布更便宜的新模型,要么手动把主力模型降级成小模型,忍受交付质量的滑坡。 但最近,Anthropic 在 Cla

    来源 AI 行业观察
向下滚动自动加载更多