扩散智能发布350亿参数扩散语言模型Clover-35B-A3B-Preview
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载块扩散的生成方式
Clover-35B-A3B-Preview 由扩散智能推出，是一款扩散语言模型。它采用 MoE 架构，总参数规模为 350 亿，但在生成每个 token 时只激活约 30 亿参数，因此实际参与计算的量远小于参数总量。在生成机制上，它使用块扩散：文本被划分为若干块，块与块之间依次推进，而同一块内部的内容则并行更新。这种安排让模型不必逐字串行输出，而是在一个块内同时确定多个位置的内容。团队在参数规模上也做了明显跨越，从此前 Dream 7B 的 70 亿参数提升到 350 亿。模型支持思考模式，调用方式与大语言模型接近，使用者可以按熟悉的方式提出任务，由模型在内部先进行一段思考再给出结果。
写代码与调用工具
在能力覆盖上，Clover 可以编写代码、生成网页、调用工具，也能直接产出 HTML。几个具体例子能说明它的节奏：生成一个太阳系模拟器时，思考环节约用 1 秒，从开始到完成总共耗时 4 到 5 秒；把一份简历整理成 LaTeX 代码，大约需要十来秒。除了单次生成，它还能经 WebMCP 连续处理开票、报名等六项任务，在线上购物场景中完成选款、加入购物车、填写信息到结账的整条流程。这些任务考验的不只是单步输出质量，还包括在多步操作中保持上下文、按顺序推进的能力，而块扩散的并行更新在块内为这类连续动作提供了不同于逐 token 生成的路径。
速度与成功率的对照
在 WindTunnel 的 49 个任务上，每个任务各尝试 3 次，Clover 的中位耗时是 1.52 秒；同一评测中，Jev 与 Mercury 2.5 的组合中位耗时为 3.21 秒。尝试成功率方面，Clover 为 98.6%，上述组合为 95.9%。在同一张表里，Clover 的速度比 Gemini 快数倍。这组数字的意义在于，它把扩散模型的速度优势放到了与既有方案相同的任务集合上比较，而不只是单点演示。中位数反映的是多数任务的典型表现，成功率则说明快并没有以大量失败为代价；两项指标同时占优，才构成对“快而可用”的支撑。
基准分数与适用边界
基准测试给出了另一组参照：τ³ Overall 得 65.3，BFCL-v4 得 67.9，SWE-bench Verified 得 73.6，Terminal-Bench 2.1 得 51.7。这些分数分别对应工具调用、函数调用、代码修复与终端操作等不同侧面，说明模型的能力分布并不均衡，终端类任务的分数明显低于代码修复类。对读者而言，Clover 的定位是一个可按大语言模型习惯调用、在块内并行生成、在短任务上响应较快的模型；它适合网页生成、代码整理、多步工具调用这类场景，而参数激活量小意味着单次推理的算力开销相对可控。需要留意的是，上述表现来自特定评测与演示任务，实际使用中的效果仍取决于任务类型与调用方式。
为什么值得看
扩散语言模型首次以350亿参数规模进入Agent与代码任务，并在速度与成功率上给出可对比的评测数据，值得关注生成范式的…
信源1 家
关键事实
Clover-35B-A3B-Preview采用MoE架构，总参数350亿，每个token激活约30亿参数，支持思考模式。[1]
团队此前的扩散语言模型Dream 7B为70亿参数，此次推进到350亿总参数规模。[1]
在WindTunnel的49个任务中各尝试3次，Clover中位执行时间1.52秒，Jev＋Mercury 2.5组合为3.21秒，成功率分别为98.6%和95.9%。[1]
Clover在τ³ Overall和BFCL-v4分别拿到65.3和67.9，SWE-bench Verified为73.6，Terminal-Bench 2.1为51.7。[1]
模型采用块扩散，块与块依次推进、块内多位置并行更新，并围绕块扩散重构门控Delta网络处理历史上下文。[1]
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。