10 月 28 日，总部位于深圳的扩散智能（DiffuSpace）正式发布并开源了新模型 Clover-35B-A3B-Preview。这是一颗总参数 350 亿、每次推理只激活约 30 亿的 MoE（混合专家）模型，走的不是主流「逐字往外蹦」的自回归路线，而是扩散语言模型路线：全局生成、并行解码。在 49 项智能体任务的实测中，它的中位执行时间为 1.52 秒，而以速度著称的 Jev 加 Mercury 2.5 组合同样任务要花 3.21 秒，是它的 2.1 倍。一家由香港大学 NLP 实验室联合主管孔令鹏教授参与创立的团队，把扩散语言模型从论文里的热词，直接推到了开源社区的主桌上。
一颗「三叶草」：350 亿参数，为什么只激活 30 亿
Clover 的名字来自三叶草，官方给它的定位是「让智能多一种生长方式」。从结构上看，它采用 MoE 架构，总参数规模 350 亿，单次前向只激活约 30 亿，这让它在保持能力密度的同时，把推理成本压到了同尺寸模型难以想象的区间。真正值得技术圈关注的是它对门控 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，再用双向注意力实现块内 token 的细粒度交互，让模型自己决定该依赖长期记忆还是块内的新鲜信息，配合可学习的块大小校准与双向局部特征提取，整套结构更贴合块级并行去噪，为大参数扩散语言模型兼顾能力与效率提供了一条新路径。
发布诚意也直接拉满：模型权重与相关代码已经在 Hugging Face 和 GitHub 上线，支持 SGLang 和 llama.cpp 两种推理框架，开发者可以下载部署、构建应用或继续研究，也可以在 chat.diffuspace.ai 申请在线体验。团队在官方博客里给出了清晰的后续路线图——接下来会推出基于 Clover 的决策模型和多模态模型。其中决策模型面向快速、结构化的判断任务，可以在一次生成中联合处理最多 8 个关联问题，与 TypeSafe Jev 等单点处理的开源决策模型不同，它追求的是多个判断之间相互参照、避免逻辑冲突的「全局统筹」。
比快更快：智能体任务中位耗时只有对手一半
速度是 Clover 最硬的卖点，而且有第三方测试背书。在 WindTunnel 的 49 项任务、每任务 3 次尝试的横评中，Clover-35B-A3B-Preview 单独运行的尝试成功率达到 98.6%，49 项任务全部完成，中位执行时间 1.52 秒；对照组 Jev 加 Mercury 2.5 组合成功率为 95.9%，中位耗时 3.21 秒；GPT-5.6 Luna 与 Gemini 3.6 Flash 的中位耗时更是达到 5.74 秒和 7.22 秒。综合得分上，Clover 拿到 98.4 分，明显高于 Jev 组合的 92.2 分，而每次尝试的中位成本仅 0.0010 美元，与对手基本持平。换句话说，它不是靠牺牲成功率换速度，而是又快又稳又便宜。
基准测试同样能打。在六项 Agent 评测中，Clover 均取得所列模型的最高分：SWE-bench Verified 73.6、Terminal-Bench 2.1 拿到 51.7、τ³ Overall 65.3，全部超过 Mercury 2.5 和同尺寸的 Qwen3.6-35B-A3B。在指令遵循、知识、逻辑推理和长文本理解等通用能力上，它也达到或超过了同尺寸自回归模型。团队称其生成速度最高可达同尺寸自回归模型的 5 至 10 倍，这背后正是扩散架构的先天优势——自回归模型必须一个 token 一个 token 顺序生成，而扩散模型可以全局并行去噪，天然适配智能体编程这类需要大量连续生成的任务。
扩散语言模型的「第二幕」：从论文热词到融资热土
Clover 不是凭空出现的黑马。扩散智能成立于深圳，创始人团队包括香港大学 NLP 实验室联合主管孔令鹏教授及其博士生龚珊三、叶佳成，是全球最早投入扩散语言模型研究的团队之一，此前已有 DiffuSeq、Dream 7B 等研究成果。资本市场对这条技术路线投下了实实在在的信任票：DiffuSpace 连续完成两轮融资，总金额数亿元人民币，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，创下全球扩散语言模型领域最大规模的融资纪录。
把视野拉开，整条赛道的热度都在陡增。2026 年前 9 个月，扩散语言模型相关论文总数已经达到 2025 年全年的 2.5 倍；谷歌推出了 Gemini Diffusion，蚂蚁集团发布了 LLaDA 系列，Inception Labs 则在持续迭代 Mercury 系列。行业里甚至开始出现「dLLM 或将在未来两年取代自回归模型」的判断。Clover 选择在此时开源，恰好给了所有观望者一个可以上手验证的锚点——当 35B 规模就能在智能体任务上追平甚至反超更大的自回归模型，架构之争的天平正在发生肉眼可见的倾斜。
世界模型「不忘事」：Meta 把记忆写进模型参数
同一天，另一项关于「速度与记忆」的研究同样值得记录。Meta Reality Labs 联合伊利诺伊大学芝加哥分校、布朗大学提出了 World-T³，一个相机可控的视频世界模型。视频世界模型近两年大火，但交互一旦从几秒拉长到几十秒就会「失忆」：自回归扩散模型的注意力上下文窗口之外，旧画面滑出去就再也回不来。World-T³ 的做法是在扩散 Transformer 的每一层挂载轻量的测试时训练（TTT）记忆模块，视频块被挤出上下文时，它的「相机位姿—画面内容」对应关系就被写入一组快速权重；相机回到旧位置时，再以位姿为钥匙把当时的场景特征读出来。记忆大小固定，生成再久，读写开销也恒定。
效果相当直观：在 120 段「去程加原路返回」的长时重访基准上，World-T³ 把重访 PSNR 从最强基线的 13.52 dB 提升到 18.31 dB，绝对旋转误差从 3.344° 降到 1.075°，并在全部六项重访一致性指标上排名第一。更难得的是实时性：经过双教师蒸馏把 50 步采样压缩到 4 步之后，模型在单张 NVIDIA B200 GPU 上以 1280×704 分辨率跑出 20.6 FPS，生成过程中记忆还在实时更新。写入机制上，它用递归最小二乘在线求解，每次只把与已有记忆不重复的新信息写进去，避免重复内容冲淡早先存储——这种「参数即记忆」的思路，为实时长时程交互式世界生成提供了新解法。
千台机器人走进「实景考场」：具身智能的成人礼
模型层面的突破之外，物理世界的 AI 也在接受真刀真枪的检验。10 月 25 日，2026 全球开发者先锋大会暨国际具身智能技能大赛在上海张江科学会堂落幕。大会汇聚了 300 余家机器人本体企业和超过 200 家上下游供应链企业，800 余支竞赛队伍的千台人形机器人同台亮相，设置 9 大赛道、23 个赛项，覆盖工业、服务、特种三大领域，线下参会者近 6 万人次，全网曝光量超过 60 亿次。
今年大赛最突出的信号是：不再「出题考动作」，而是「搬来产线考干活」。在 2000 平方米的实景实训空间里，1:1 复刻的国网超高压变电站、按真实门店标准搭建的超市货架、严格复制的质检实验室一字排开。能源巡检赛要求机器人在 30 分钟内完成复杂路况通行、仪表抄读上报、红外测温、设备异常识别和倒闸操作辅助；商超零售赛考验 30 分钟内周转箱拣货、整理货架、补货到装箱打包的全流程，连磁吸价签的夹爪间隙都是硬骨头；质检赛道则要求机器人连贯完成药片称量、离心装载、分液分装等精细动作。比赛采用黑盒盲测，随机更换物料、随机设置故障点位，没有剧本、无法彩排。国家地方共建人形机器人创新中心首席科学家江磊坦言，机器人有时候看起来「笨笨的」，但技能每年都在快速增长——这场大赛记录的正是具身智能从实验室走向真实生产生活场景的每一步。
从实验室到病床：AI 抗癌药开始人体试验
AI 的落地清单还在继续变长。最新消息显示，AI 设计的抗癌药物已经进入人体临床试验阶段，122 名患者接受了治疗，部分脑转移病灶出现缩小。对制药行业而言，这意味着 AI 制药走完了从靶点发现、分子设计到临床验证的关键一环，尽管最终疗效仍需要更大样本、更长周期的数据支撑，但「AI 参与设计的药物用在真人身上」这件事本身，就是行业里程碑。
热闹之中也有冷静的注脚。Anthropic 一项实验在社区引发热议：在模拟关键决策场景时，86% 的顶尖专家的选择被 AI 输出显著影响，被不少人称为现实版「思想钢印」——它提醒所有人，当模型越来越会「说话」，人的主体性反而需要更清晰的防线。把当期的这些线索串起来看，从 Clover 的并行解码、World-T³ 的参数化记忆，到考场上的千台机器人和病床上的新药，AI 行业正在回答同一个问题：模型能不能真的干活。速度、记忆、实操，答案正在一项接一项地落地。
暂无评论内容