一条不同于「从左到右」的路线
当前主流大模型几乎都是自回归架构：从左至右、逐词元生成。扩散语言模型（dLLM）走另一条路——对整段内容做全局生成与并行解码，在逻辑规划与全局一致性上更占优，推理速度也往往更快。10 月 28 日，扩散智能发布并开源 Clover-35B-A3B-Preview，把这条路线推到了可公开评测的体量：总参数 350 亿、激活 30 亿，支持思考模式。
这一发布的意义不在于「又多了一个开源模型」，而在于它用开源权重验证了 dLLM 范式在智能体编程这类硬任务上的可行性——过去这类任务长期由自回归模型把持。
参数与速度：把「大总参、小激活」推到新档位
配置上，Clover 是典型稀疏 MoE：用大总参换知识容量，用小激活换推理成本。技术博客给出的内部测试结果显示，整体生成速度达到 680 tokens/s。在开发者用 WindTunnel 做的 49 项任务里，Clover 的中位执行时间约 1.52 秒，而惯以速度著称的 Jev 模型加 Mercury 2.5 组合中位执行时间达到 3.21 秒，约为 Clover 的 2.1 倍。
团队把速度优势归因于对门控 Delta 网络（GDN）的结构性重构：通过递归状态高效压缩历史上下文，再以双向注意力实现块内词元的细粒度交互，让模型自主选择历史记忆与块内信息。
基准：六项智能体评测同尺寸居首
扩散智能公布的评测结果显示，Clover 在 SWE-bench Verified、Terminal-Bench 2.1、τ³ Overall 等六项智能体编程及工具使用任务中均列同尺寸模型最高，超过 Mercury 2.5 与同尺寸的 Qwen3.6-35B-A3B。其中 SWE-bench Verified 达到 73.6、Terminal-Bench 2.1 达到 51.7、τ³ Overall 达到 65.3。在指令遵循、知识、逻辑推理与长文本理解等通用能力上，也达到或超过同尺寸自回归模型。
需要说明：上述为厂商自述口径，独立第三方复测尚未铺开，分差在不同评测集上会有波动；但「开源 + 可复现权重」意味着社区很快能自行核验，这比闭源海报更有说服力。
决策模型：联合模式一次答一组关联问题
随 Clover 一同披露的还有一款决策模型，面向快速、结构化的判断任务，支持独立模式与联合模式。联合模式以全局统筹方式推理，省去多次交互的耗时，使多项判断相互参照、规避逻辑冲突，一次性完成一组关联决策。
在包含 500 组、2420 道关联问题的内部验证里，联合模式答对 95.0%，并在 80.4% 的问题组中全部答对；相比之下，同一模型独立作答时两项成绩分别为 89.8% 与 62.4%，Jev 在相同题目的历史评测中分别为 63.6% 与 15.8%。该决策模型还与 Jev 下了一盘中国象棋，结果是扩散智能的决策模型执黑获胜。
开源与定位：范式验证，而非又一个聊天模型
权重已在 Hugging Face、GitHub 与 ModelScope 开放申请/下载。对开发者而言，Clover 的价值不只在跑分，更在于它把「扩散范式能否撑住真实工具调用」这个命题摆到了公开可验的位置。若社区复测能稳定复现其速度与智能体编程表现，dLLM 有望从研究概念走向可用底座。
冷静看两点：其一，智能体编程高分能否迁移到真实工程流水线是另一回事，演示环境不等于生产环境；其二，35B 总参在当下开源阵营里并不算大，它的看点始终是「范式 + 速度」，而非参数规模。把它当作一次范式验证来跟进，比当作又一个聊天模型来比较更合适。