10月28日，扩散智能DiffuSpace发布并开源最新模型Clover-35B-A3B-Preview，采用MoE架构，总参数350亿、激活30亿。测试显示，Clover-35B-A3B-Preview在智能体编程等关键任务上，表现超过同类模型 Mercury 2.5和同尺寸自回归模型Qwen3.6-35B-A3B，生成速度最高可达后者的5-10倍。相比上一代模型，Clover参数扩大5倍且速度不变、智能更强，显示出dLLM范式的规模化潜力。
扩散语言模型（dLLM）属于区别于GPT、Claude等主流自回归模型模型之外的另一种大语言模型范式，与自回归模型「从左至右」逐个生成Token不同，dLLM可进行全局生成和并行解码，具备更强的逻辑规划和全局一致能力，并在推理速度上远超自回归模型。
在DiffuSpace展示的官方Demo中，Clover呈现出显著的速度优势：当模型需要从20条空管报文中提取地点与半径，为无人机在三维地图上设置相应禁飞区时，Clover仅用7.32秒即完成处理，而作为对照的Qwen3.5耗时达62.3秒。其技术博客显示，在内部测试中，Clover-35B-A3B-Preview实现了680 tokens/s 的整体生成速度。
有开发者在WindTunnel测评发现，在49项任务测试中，Clover的中位执行时间为1.52秒，而惯以速度著称的Jev模型+Mercury2.5组合中位执行时间达到3.21秒，是Clover耗时的2.1倍。
据团队公布的评测结果，Clover在六项Agent评测中均取得所列模型的最高分，其中SWE-bench Verified、Terminal-Bench 2.1和τ³ Overall分别达到73.6、51.7和65.3，超过Mercury 2.5和同尺寸Qwen3.6-35B-A3B。在通用能力方面，Clover在指令遵循、知识、逻辑推理和长文本理解等多项评测中达到或超过同尺寸自回归模型。
更快更强背后是Clover对门控Delta网络（GDN）进行的结构性重构：通过递归状态高效压缩历史上下文，以双向注意力实现块内token的细粒度交互，让模型自主选择历史记忆与块内信息。结合可学习的块大小校准和双向局部特征提取，模型结构更贴合块级并行去噪，为dLLM在大参数下兼顾能力与效率提供了新的技术路径。
DiffuSpace 官方博客显示，下一步，还将推出基于Clover-35B-A3B-Preview的决策模型和多模态模型。据介绍，决策模型将面向快速、结构化的判断任务，可在一次生成中联合处理最多 8 个关联问题。和TypeSafe Jev或其他开源决策模型不同的是，相比于单点处理，能够“全局统筹”，在多个判断中相互参照、避免逻辑冲突。
目前，Clover-35B-A3B-Preview模型权重与相关代码已在Hugging Face和GitHub发布，支持SGLang和llama.cpp推理。开发者可下载部署、构建应用或开展进一步研究，也可通过chat.diffuspace.ai申请在线体验。
资料显示，扩散智能DiffuSpace是全球最早投入扩散语言模型研究的团队之一，由港大NLP实验室联合主管孔令鹏教授及其博士生龚珊三、叶佳成联合创立，落地深圳，曾先后推出DiffuSeq、Dream 7B等研究成果。近期，DiffuSpace连续完成两轮融资，总金额数亿元人民币，创全球扩散语言模型（dLLM）最大规模融资纪录，由经纬创投、顺为资本、君联资本联合领投，中科创星、华为哈勃、地平线等跟投。
今年以来，扩散语言模型的研究与产业探索持续升温。2026年前9个月，相关论文总数已达2025年全年的2.5倍；多家科技企业持续加码dLLM：Google推出Gemini Diffusion，蚂蚁集团发布LLaDA系列，Inception持续迭代Mercury系列模型。有行业观点认为，dLLM 或将在未来两年取代自回归模型。
