港大博士团队创业半年融资近5亿,押注扩散语言模型
作者丨漫地编辑丨子钺图源丨DiffuSpace成立仅五个月,DiffuSpace(扩散智能)就成为创投圈炙手可热的创业公司。2026年10月,这家初创公司连续完成两轮融资,累计融资近5亿元,拿下全球扩散语言模型(dLLM)领域迄今最大规模融资。经纬创投、顺为资本、君联资本联合领投,中科创星、华为哈勃、地平线等机构跟投。
图源丨DiffuSpace
五个月前才成立,DiffuSpace(扩散智能)已经成了创投圈抢着投的公司。
2026年10月,这家初创企业接连拿下两轮融资,累计金额接近5亿元,也是全球扩散语言模型(dLLM)赛道迄今为止最大的一笔融资。
成立还不到半年,资本为什么这么看好它?
大家押注的,是一条有可能挑战、甚至取代当下主流大模型架构的技术路线。
这几年,ChatGPT等主流大模型大多走的是
扩散语言模型走的是另一条路。它试着一次更新多个位置,不再被逐词解码卡住。速度更快,效率也更高,这些好处很直接。
2026年5月,
DiffuSpace联合创始人兼首席科学家龚珊三对创业邦表示,短期内扩散语言模型和自回归模型是分工关系,但放长看,前者有可能替代后者。
在DiffuSpace的设想里,扩散语言模型能做的事不止文本生成。团队还打算继续摸索
一家创业公司,真有机会动大模型沿用多年的底层架构吗?这条路要是跑通了,又会给AI产业带来哪些新空间?做第一个“吃螃蟹”的人
2026年5月,孔令鹏、龚珊三、叶佳成等人在深圳一起创办了DiffuSpace,把多年的科研积累正式变成创业项目。团队核心成员主要来自
不过要说扩散智能DiffuSpace的创业故事,得从2022年的上海人工智能实验室讲起。
那时候ChatGPT还没出来,以
龚珊三就是在这个阶段接触到扩散模型的。她本硕毕业于
在上海人工智能实验室期间,她认识了孔令鹏。孔令鹏是卡内基梅隆大学计算机科学博士,做过Google DeepMind的研究科学家,后来去了香港大学,现在是香港大学NLP实验室联合主管,研究方向主要是自然语言处理和机器学习。
当时孔令鹏正好在上海人工智能实验室组建一个新的NLP团队,龚珊三碰巧参加了面试,之后就进了他的团队。
两个人很快围绕扩散模型的文本生成合作起来,2022年完成了
后来孔令鹏邀龚珊三到港大读博。她当时已经拿到一些北美高校的录取机会,最后还是选了香港大学。
同一时间,ChatGPT的爆火改变了整个AI研究领域。随着
扩散语言模型那边则还处在比较早期的探索阶段。现有研究大多停留在规模较小的模型,任务也集中在翻译、摘要这些特定场景。它能不能像GPT那样靠扩大规模获得通用语言能力,当时还没有明确答案。
真正的转折,来自团队对
到2023年,70亿参数规模的开源模型已经出现,Llama就是其中之一。龚珊三看清了一点:研究还停留在很小的扩散语言模型上,“这就不再有任何意义了。”
不过,想让扩散模型具备Scaling能力,难度比预想大得多。自回归模型的训练方法已经相当成熟,扩散语言模型却得学会更灵活的文本生成顺序,训练复杂度更高。尤其从零开始训练大规模扩散模型,算力和数据资源都是巨大的消耗。
2023年9月起,团队把精力集中到这一难题上。最初半年,结果始终不理想。龚珊三甚至怀疑过这条路走不走得通。“当时就在怀疑,我们是否在做一件根本就不可能做成的事情。”她说。
摸索近一年,团队总算找到一条突破路径:不从零训练扩散语言模型,改为拿已经完成大规模预训练的自回归模型当起点,再通过持续训练让它具备扩散式生成能力。这样,模型能继承已有自回归模型学到的大量语言知识,不必从头学语言的基本规律,训练资源消耗随之大幅下降。
2024年10月,龚珊三等人公开发表论文《Scaling Diffusion Language Models via Adaptation from Autoregressive Models》,把不同规模的自回归模型改造成扩散语言模型,其中最大模型达到70亿参数。这项研究随后被ICLR 2025接收。
紧接着在2025年4月,扩散智能的核心团队成员推出
在龚珊三看来,这次突破最大的意义,是让研究者真正看到扩散语言模型有机会走向通用大模型,而不只是停在解决特定任务的小模型阶段。“相当于在7B这个规模,真正地把扩散语言模型给走通了。”
Dream 7B发布之后,扩散语言模型在学术界和产业界收获的关注越来越多。Google、蚂蚁集团以及美国创业公司Inception等先后推进相关研究。在自回归技术路线之外,扩散语言模型开始成为一个受到关注的新方向。
今年10月,扩散智能又推出Clover(三叶)系列首款模型Clover-35B-A3B-Preview,把模型总参数规模扩大到350亿,并强化了工具调用和智能体编程能力。这一回,Clover想回答一个更根本的问题:参数规模继续往上走,扩散语言模型能不能在保住生成速度优势的同时,达到甚至超过同尺寸自回归模型的性能?
扩散智能在官方发布材料中给出的答案是肯定的:Clover在相关评测中展现出这一潜力。它证明,高速生成与高性能可以共存于同一模型。
扩散语言模型存在的意义,到底是什么?
龚珊三谈到,扩散语言模型能打破文字生成的固定顺序,让模型自主学习更合适的生成路径,从而提高并行计算效率。“你可以把它(扩散语言模型)理解成是一种自由度更高的语言模型。”她说。
与此同时,它还能够通过
生成自由度更高,也带来了新的训练与部署课题。扩散语言模型放宽部分顺序约束后,需要学习更丰富的生成方式;到了推理阶段,并行生成能不能转化为速度和成本上的收益,则取决于具体的硬件和服务场景。
龚珊三指出,自回归模型在低并发推理时往往更容易受内存带宽限制,GPU的计算能力未必被充分利用。扩散模型可以在一次前向计算中同时预测多个词元,因而有机会利用这些计算资源,把生成时间缩短。
这种特点让低并发、低延迟场景成为扩散模型值得关注的应用方向。模型只服务一个或少量用户时,并行计算的优势更容易发挥;并发规模扩大到数百个用户、计算资源逐渐饱和时,调度与部署配置就需要进一步优化。“我们可能是需要更多的算力,显存可以稍微小一点,但是算力要更多一点。”龚珊三说。
资源需求上的这种差异,也给软硬件优化提供了新方向。现有AI推理生态主要围绕自回归模型发展,针对扩散架构的芯片配置、推理框架与底层算子仍有优化空间。生成提速能否转化为成本收益,需要结合并发规模、硬件利用率和服务目标具体衡量。
在龚珊三看来,扩散语言模型还处在快速探索阶段。随着算法、推理系统和硬件适配协同推进,这条路线的效率潜力还有望进一步释放。
眼下自回归模型架构仍是大语言模型的主流,但龚珊三认为,未来两种架构会是替代关系。“我觉得短期内我们是在做不同的分工,但是长期内就很有可能是一个替代的关系。”
短期内,自回归模型的生态已经成熟,大规模云端模型能力上也有优势。落地应用方面,扩散语言模型会优先进入对速度敏感、任务复杂度相对可控的场景,再慢慢形成主流架构。
等扩散模型规模扩大、能力增强,两种架构在更多应用中的竞争会进一步展开。
端侧AI
端侧AI,指的是把模型部署在个人电脑、汽车或机器人等本地设备上,而不是完全依赖远程云服务器运行。这类场景有个共同点:设备通常只需响应少量本地任务,不容易触到硬件计算资源的上限。龚珊三解释,选择端侧并非偶然,而是因为扩散语言模型的计算特点在这里能得到更好的发挥。
相比之下,云端服务要同时处理大量用户请求,资源压力更大。个人电脑和车载设备则不同,扩散模型可以利用并行生成能力,实现较低延迟和较快响应。
眼下,DiffuSpace正围绕个人电脑、智能汽车、实时生成式界面等几条线推进合作。
龚珊三的判断是,参数规模和榜单成绩并不是最要紧的,关键是找到那些对速度足够敏感、能真正体现扩散模型差异化优势的场景。
具身智能是DiffuSpace在探索的另一块方向。龚珊三认为,机器人也可以归入端侧AI设备一类。如果机器人能在本地运行规划能力较强的模型,而不是每次动作都靠云端算力,响应就有机会更及时。
不过,DiffuSpace往后想做的,是让语言模型充当机器人智能系统的核心,由它调用工具、控制接口来完成动作。
在她看来,语言模型经过大规模预训练积累的知识和泛化能力,有机会帮机器人理解更多不同场景,不必只依赖针对特定动作和环境采集的数据。
龚珊三也表示认可:“泛化能力当然不是扩散语言模型才有的,自回归语言模型一样能泛化。不过扩散架构或许能带来额外的价值,主要体现在生成速度、响应延迟,以及多步骤任务的整体规划这几方面。”在她看来,这正是扩散语言模型最关键的长处。
比如具身机器人在放置物品时,若模型只预测下一步动作,往往要反复调整位置才能放好;而模型若能同时考虑后续多个动作和最终目标,就有机会少走弯路,一步到位。
再往远处看,龚珊三希望用统一的扩散架构把语言、视觉与动作能力融到一起。
现在不少多模态模型还是多个模块拼起来:语言模型管文字,视觉编码器读图像,生成模型负责输出图片或视频。而扩散模型在图像和视频生成上已经用得很多。语言生成若也能走扩散架构,就有机会在同一个模型体系里共同学习文本、图像、视频以及动作等多种信息。
她期待的是,扩散语言模型将来不只会回答问题,还能看懂物理环境,预判可能发生的变化,并与真实世界发生交互。
进入2026年,扩散语言模型这条技术路线的节奏明显快了起来。
一头是模型参数规模持续做大。蚂蚁集团旗下InclusionAI团队推出的
另一头是模型能力与生成效率开始一起往上走。Google DeepMind于2026年6月发布
中美企业都在做扩散语言模型,可商业化路径已经分出了一些差别。
美国市场最有代表性的公司是Inception Labs。它较早把扩散语言模型做成商业服务,围绕Mercury系列搭建模型
2026年10月Inception发布的Mercury 3已经公开API定价:每百万输入Token 0.20美元、每百万输出Token 0.70美元,推出时还有阶段性折扣。公司披露,早期客户已把模型用在实时教育、网页导航及其他低延迟服务上。
相比之下,中国AI大模型市场开源程度更高,开发者可选的模型很多,调用价格的竞争也更激烈。同时,国内大模型企业在算力资源和推理服务能力上,与美国头部厂商存在结构性差异。
中国有自己的产业优势,DiffuSpace从端侧切入,正好反映了这种差异。
龚珊三提到,扩散智能把创业地点选在深圳,大湾区聚集了大量消费电子、智能汽车、芯片及机器人企业,为基础模型与硬件终端结合提供了产业条件。目前,DiffuSpace已经围绕地平线智能驾舱、
商业化上,公司现阶段不追求大规模云端API服务,而是优先找能体现扩散架构低延迟优势的本地设备。云端要同时处理大量用户请求,资源压力更大;端侧设备通常只服务单个用户或少量任务,计算资源调度相对简单,也更容易发挥扩散模型并行生成的优势。
面对大型科技公司纷纷布局扩散语言模型研究,龚珊三认为DiffuSpace的优势不只来自学术研究积累,还体现在数据、模型训练算法、训练基础设施和推理基础设施四个层面。
“通过早期入局的先发优势,可以为DiffuSpace赢得更多赛跑的时间。”龚珊三说。