用扩散模型怎么做 Agent?
服了!天天在 AI 一线冲浪,竟然也会跟不上版本。
谁能想到,印象中专门用来生图、生视频的**“扩散模型”**,如今竟然也能写代码、生成网页、调用工具,做起 Agent 了!
就在刚刚,扩散智能发布了全新的扩散语言模型——Clover-35B-A3B-Preview。
虽然名字里多了“扩散”两个字,但实际体验下来,无论是编写代码、操作网页、调用外部工具,还是生成 HTML,其用法都与我们熟悉的大语言模型别无二致。
我个人体验后的第一感受就是一个字:“快”。
比如,让它生成一个太阳系模拟器,Clover 仅思考了约 1 秒,随后的 4~5 秒内,一个支持交互的太阳系模拟器便生成完毕。

再比如,我给它提供了一堆非结构化的简历信息,让它整理成 LaTeX 格式的简历代码,仅用十来秒便轻松搞定。

用过 GPT 类模型的朋友应该都深有体会:盯着“正在思考”界面漫长等待是怎样的体验。这也解释了为何近期主打快速决策的 Jev 会备受关注。
说到 Jev,Clover 这次还真与它在速度上展开了正面交锋。
在网页 Agent 评测基准 WindTunnel 的 49 项任务中(每项任务尝试 3 次),Clover 的中位执行时间仅为 1.52 秒;而 Jev+Mercury 2.5 组合则需要 3.21 秒,Clover 耗时减少了一半以上。
在任务尝试成功率上,Clover 也略胜一筹,分别达到 98.6% 与 95.9%。

若对比同表中的 Gemini,其执行速度更是快出了数倍。
这下扩散模型真要让传统的自回归模型感到压力了。
会做 Agent 任务的扩散模型
回归模型本身,Clover-35B-A3B-Preview 采用了 MoE 架构,总参数量达 350 亿,每个 token 激活约 30 亿参数,并原生支持思考模式。
这一成果将团队的扩散语言模型,从此前的 Dream 7B(70 亿参数)直接推进到了 350 亿参数的全新体量。
更关键的是,在参数规模大幅提升的前提下,Clover 的推理速度并未受阻,在同尺寸对比中全面超越了自回归模型。

除了交互页面与基础代码生成外,在官方演示中,Clover 还展示了处理复杂任务、WebUI 生成等多项 Agent 能力。
通过 WebMCP,Clover 能够连续处理六项任务,涵盖开具发票、课程报名、金额汇总、活动状态查询,以及客户与发票信息的调取。
在演示对比中,Clover 不仅顺畅完成任务,还在执行速度上显著领先于 Gemini 3.6 Flash。
在线上购物场景下,Clover 能精准根据指令找到指定款式、黑色、L 码的 T 恤,将其加入购物车,自动填写访客信息,并完整跑通测试结账流程。
这类连续任务的执行稳定性,是本次演示中最具含金量的突破。
以往扩散语言模型虽然具备并行生成带来的速度优势,但在应对 Agent 任务时往往表现不够稳定:不仅容易出现工具调用格式错误,还容易在同一步骤陷入重复尝试,无法根据环境反馈动态调整下一步行动。
Clover 本次的核心进展,正是体现在连续操作的可靠性上:能够稳定调用工具、准确解析反馈、持续推进行动,直至顺利达成目标。
在量化评测(Benchmark)方面,据官方披露的数据,Clover 在工具调用相关的 τ³ Overall 和 BFCL-v4 测试中分别取得了 65.3 和 67.9 的高分,名列前茅。

图源:扩散智能
评估完 Agent 任务,再来看代码生成能力。
在此项测试中,Clover 同样用时十几秒,便生成出了一个结构完整、交互良好的个人 Agent 网页界面。

在权威代码评测集上,Clover 也交出了一份亮眼的答卷:
在衡量真实代码仓库问题解决能力的 SWE-bench Verified 上斩获 73.6 分;在评估终端任务执行能力的 Terminal-Bench 2.1 上取得 51.7 分。

图源:扩散智能
从交互界面生成、工具链调用、端到端业务流打通,再到核心代码评测,作为扩散语言模型的 Clover,确实已经胜任了大量原本属于主流 Agent 的工作。
这自然引出了一个核心问题:印象中专注于去噪、绘图的扩散机制,迁移到语言模型后,究竟是如何生成文本并写出代码的?
扩散语言模型,什么来头?
通常我们熟悉的自回归(Autoregressive,AR)大模型,工作方式是根据前文逐步预测下一个 token,依次递推生成,即行业俗称的“词语接龙”。
这里的 token,可以理解为模型处理语言文本的最小片段。
与自回归模型串行逐词生成的逻辑不同,扩散语言模型采取了截然不同的机制:允许多个位置同步更新,经过若干轮去噪迭代,逐步形成最终文本。

图源:AI 生成
语言任务中的扩散去噪,可以理解为将处于遮蔽或随机扰动状态的内容,逐步还原并调整为符合上下文语境的有效词句。
Clover 采用的具体方案是**“块扩散”(Block Diffusion)**:将待生成的内容切分为若干数据块,块与块之间按序递进,块内多个位置则并行计算、双向相互参考。
这种设计让单次推理计算能够同时推动多个位置的生成,有效缓解了传统串行生成带来的时间延迟。
然而,能同时生成并不等同于一轮即可生成理想结果。
扩散模型通常需要经历多轮去噪才能使输出收敛。去噪轮数过少,生成内容可能尚未调整充分;去噪轮数过多,又会导致计算开销急剧攀升。
此外,在面对复杂的代码与 Agent 场景时,上下文窗口会随着交互不断变长。用户的前置要求、已执行的操作指令、工具返回的结果都会直接影响下一步决策,如何高效保存并提取这些历史信息便成为性能瓶颈。
Clover 给出的应对方案,是让“历史记忆读取”与“当前内容生成”各司其职。
该模型围绕块扩散技术重构了门控 Delta 网络(GDN):将已生成的长上下文动态压缩至持续更新的隐状态中,供后续处理快速检索;而当前正在生成的块,则借助双向注意力机制,让块内的各 token 能够相互参考调整。
同时,Clover 将历史记忆的检索作为独立的特征单元,直接接入当前 token 的注意力计算,使模型自主学习如何平衡历史背景与当前生成权重;此外还引入了可学习的块大小校准机制,规避了数据块过大时历史信息被稀释的问题。
这一整套架构调整,旨在实现并行生成速率、历史上下文记忆与计算资源利用效率之间的最佳平衡,也是 Clover 得以将扩散语言模型拓展至高阶代码与 Agent 任务的技术核心。
除 Clover 之外,扩散语言模型近两年在学术界与工业界引发广泛关注,主要归功于其相较于传统自回归模型的两项核心优势:
- 并行生成效率:允许多个位置协同生成,有效打破了逐 token 生成的延迟瓶颈。对于需要高频生成代码、多轮工具调用的 Agent 场景,具备巨大的吞吐潜力。
- 全局上下文双向协同:在生成过程中,前后文能够双向参考。基于双向建模,多个位置能在迭代去噪中同步调整,为捕捉并解耦深层语义依赖开辟了新路径。
当前,学术界与产业界已在这一技术方向上展开多方探索:
何恺明今年参与发表的 ELF,探索在连续嵌入空间中实现语言生成;谷歌推出了 DiffusionGemma,试验并行文本生成的落地可行性;多家国内科技企业也在积极推进面向代码生成任务的扩散语言模型。
尽管各方技术路径有所差异,但核心目标均是将全新的生成范式转化为可落地的性能优势。Clover 本次发布的意义,正在于直接将技术推向了代码、工具调用与连续任务等实战场景中接受检验。
从 DiffuSeq 到 Clover,扩散智能的下一步
回到 Clover 背后的研发团队——扩散智能。
扩散智能由香港大学孔令鹏教授携博士生龚珊三、叶佳成联合创立。该团队在扩散语言模型领域的研究布局最早可追溯至 2022 年。
彼时,他们提出了 DiffuSeq,率先探索利用扩散机制完成 Seq2Seq 任务:在给定条件文本的基础上,端到端生成目标序列。

这一成果当时攻克的核心技术难题,便是如何将原本处理图像等连续数据的扩散算法,有效适配到具有离散特性的自然语言任务中。
2025 年 4 月,团队核心成员联合推出了 Dream 7B,将扩散语言模型的研发参数推进到了 70 亿规模。

实验数据显示,Dream 7B 在通用任务、数学推理及代码生成上,均取得了媲美同等规模自回归模型的基准成绩,同时展现了优秀的宏观规划能力与灵活的非因果生成顺序。
到了本次的 Clover,模型规模不仅完成了跨越式扩增,更将重心全面倾斜到了编写代码、API 工具调用以及长流程任务执行上。
整个技术演进路径,也从最初的“如何用扩散模型写出连贯文本”,进化到了“如何把复杂综合任务做得又快又稳”。
团队目前正将该架构向多模态与边缘计算领域延伸:
据官方透露,Clover 后续将上线多模态版本,推动扩散语言模型与视觉理解、实体动作生成的深度结合,并同步开展端侧场景的适配验证。此外,团队正与 Acrab 开展深度合作,针对端侧环境推进软硬件协同设计与底层系统优化。
面向未来,团队计划进一步探索超大参数规模的扩散模型,持续提升其在长程规划任务中的稳定性,同时通过算子推理优化、量化压缩与部署适配,加速端侧实际落地。
回顾 Clover 带来的全新范式,或许我们可以借此重新审视人类的认知机制:
当我们思考时,究竟是像自回归那样一字一句线性推进,还是先构想出一个粗略的全局轮廓,再在脑海中逐步细化打磨——
人类大脑的工作机制,究竟更接近自回归,还是扩散?
体验链接:
[1] https://diffuspace.ai/register