在AI领域持续跟进，竟也会跟不上节奏。
谁能料到，原本用于图像和视频生成的“扩散模型”，如今也能编写代码、生成网页、调用工具，扮演起Agent角色！
就在近期，扩散智能推出了全新的扩散语言模型——
Clover-35B-A3B-Preview。
尽管名称中多了“扩散”一词，但实际使用中，无论是写代码、操作网页、调用工具，还是生成HTML，其用法与传统大语言模型并无二致。
我个人的第一体验就是“快”。
例如，让它生成一个太阳系模拟器，Clover仅思考约1秒，随后在4-5秒内，一个可交互的太阳系模拟器便呈现出来。
再比如，我提供一堆简历信息，要求整理成LaTeX格式的简历代码，仅需十几秒便完成。
说实话，用过GPT的用户都明白盯着“正在思考”等待的煎熬，这也是近期主打快速决策的Jev受到关注的原因。
而提到Jev，Clover这次专门与其进行了速度对比。
在网页Agent评测WindTunnel的49个任务中，每个任务尝试3次，Clover的中位执行时间为1.52秒，Jev搭配Mercury 2.5组合为3.21秒，耗时减少一半以上。
尝试成功率也略高，分别为98.6%和95.9%。
对比同表中的Gemini，速度更是快出数倍！
好家伙，扩散模型这是要挑战自回归模型吗？
会做Agent任务的扩散模型
回到模型本身，Clover-35B-A3B-Preview采用MoE架构，总参数达350亿，每个token激活约30亿参数，支持思考模式。
它进一步将团队的扩散语言模型，从此前Dream 7B的70亿参数，提升至350亿总参数规模。
更关键的是，参数量增加后，Clover的速度并未变慢，在同尺寸对比中超越自回归模型。
除了交互页面和代码生成，官方演示中，Clover还展示了复杂任务、WebUI生成等Agent能力。
Clover可通过WebMCP连续处理六项任务，涉及开票、课程报名、金额汇总、活动状态查询，以及客户和发票信息查询。
从对比视频可见，Clover不仅成功完成任务，执行速度也显著领先于Gemini 3.6 Flash。
在线上购物场景中，Clover能按要求找到指定款式、黑色、L码的T恤，加入购物车，填写访客信息，并完成测试结账流程。
老实说，这种连续任务处理是本次演示的亮点。
要知道，扩散语言模型虽有并行生成的速度潜力，但以往在Agent任务中表现不够稳定：
模型工具调用格式可能出错，或在同一步骤上反复尝试，未能根据返回结果调整动作。
Clover这次的进步，体现在这些连续操作中：调用工具、读取反馈、继续执行，直至完成任务。
具体到Benchmark，根据团队公布的数据，Clover在工具使用相关的τ³ Overall和BFCL-v4评测中，分别获得65.3和67.9，位居前列。
Agent任务之外，再看代码。
我让Clover生成了一个个人Agent的网页界面，看起来有模有样，整个生成过程仅十几秒。
在代码评测方面，Clover也交出了一组亮眼成绩。
在考察真实代码仓库问题解决能力的SWE-bench Verified上，它获得73.6；在考察终端任务执行能力的Terminal-Bench 2.1上，获得51.7。
可以说，从生成交互页面，到调用工具、跑完业务流程，再到代码评测，作为扩散语言模型的Clover，这次确实承担了不少Agent任务。
这就有意思了。印象中负责去噪生图的扩散思路，在语言模型中究竟如何生成文字、写出代码？
难道这些演示真是AIGC生成的？
扩散语言模型，什么来头？
通常，我们熟悉的自回归语言模型根据前文预测下一个token，逐个生成，类似“词语接龙”。
这里的token可简单理解为模型处理的文字片段。
与自回归模型的逐个串行生成不同，扩散语言模型采用另一种方式：允许多个位置同时更新，经过几轮完善，逐步得到结果。
这里的扩散去噪，可理解为将遮挡或扰动的内容逐步恢复为符合上下文的文字。
具体到Clover，它采用块扩散：将待生成内容分成若干块，块与块依次推进，块内多个位置并行更新、相互参考。
这样一来，一轮计算有机会推动多个位置生成，减少逐个生成带来的等待。
但问题在于，能同时生成不代表一轮就能完成。
因为扩散模型通常需要多轮去噪，才能逐步确定结果。轮数过少，内容可能未调整好；轮数过多，计算开销增加。
到了代码和Agent任务，上下文会不断变长。之前的要求、已执行的操作、工具返回的结果，都可能影响后续步骤，历史信息的保存和读取也成效率问题。
Clover的改进思路，是让历史记忆和当前生成各司其职。
它围绕块扩散重构了门控Delta网络（GDN）：已生成的上下文被压缩进持续更新的状态，供后续步骤读取；当前生成的块通过双向注意力，让块内token相互参考。
同时，Clover将历史记忆的读出作为独立信息单元，与当前token一起参与注意力计算，让模型学习权衡前文与当前内容；再通过可学习的块大小校准，减少块变大后历史信息被稀释的问题。
换句话说，这些调整旨在让并行生成、历史信息利用和计算效率更好配合，这也是Clover将扩散语言模型推进到代码和Agent任务的关键。
除了Clover，扩散语言模型近年受到关注，主要源于其相对于自回归的两大优势：
一方面，扩散语言模型允许多个位置同时生成，减少逐token生成带来的串行等待。对于需反复生成代码、调用工具的Agent，这种潜力尤其值得关注。
另一方面，生成过程中，前后内容可相互参考。在双向建模设计下，多个位置能在迭代中共同调整，为处理内容依赖关系提供另一种方式。Clover当前块内的交互就是其中一种实现。
围绕这些可能性，学术界和产业界已给出不同尝试。
何恺明今年参与的ELF，尝试在连续嵌入空间中生成语言；谷歌推出的DiffusionGemma，探索并行文本生成；国内大厂也在研究面向代码任务的扩散语言模型。
具体方法各不相同，大家都在尝试将另一种生成方式转化为可用能力和效率。
Clover这次，则把自己的进展放入代码、工具调用和连续任务中，交给用户检验。
从DiffuSeq到Clover，扩散智能的下一步
最后，让我们回到Clover背后的团队——
扩散智能。
据悉，扩散智能由香港大学孔令鹏教授及其博士生龚珊三、叶佳成联合创立。团队成员对扩散语言模型的探索可追溯到2022年。
那一年，他们提出DiffuSeq，研究如何用扩散模型完成序列到序列的文本生成：给定一段文字，再按条件生成另一段文字。
当时要克服的挑战，就是将擅长处理图像等连续信号的扩散方法，应用于离散的自然语言。
到2025年4月，团队核心成员参与推出Dream 7B，将研究推进至70亿参数语言模型。
根据当时公布的结果，Dream 7B在通用、数学和代码任务上，取得与同规模自回归模型可比的表现，并展示了规划能力和生成顺序上的灵活性。
再到这次的Clover，模型规模继续扩大，写代码、调用工具、连续执行任务，都成为重点展示内容。
这条路线，从最初研究如何生成文字，一步步走到如何将复杂任务做对、做快。现在，团队还在向多模态和端侧延伸。
据介绍，Clover后续也将推出多模态版本，团队正在推进扩散语言模型与多模态理解及动作生成的结合，并持续开展端侧场景的适配与验证。与Acrab的合作，则在推进面向端侧场景的系统适配和软硬件协同验证。
按照团队计划，接下来还会继续探索更大规模模型，提高长程任务稳定性，并通过推理优化、量化和部署适配，推进端侧应用。
最后的最后，不妨借这次新发布的Clover开个脑洞：
人类思考时，究竟是一句接一句往下推，还是先有模糊整体，再逐渐补全细节——
大脑究竟更像自回归，还是扩散？
本文来自微信公众号“量子位”（ID：QbitAI），作者：关注前沿科技，36氪经授权发布。