Clover 开源 MoE 扩散语言模型

DiffuSpace 发布了 Clover 系列的首个成员 Clover-35B-A3B-Preview：一款采用 MoE 架构、以 Apache 许可开源的扩散语言模型。它尝试证明，语言模型除了逐步接着写，也可以通过多轮迭代生成结果，并兼顾任务表现与速度。

对程序员来说，最值得关注的是它在智能体编程和工具使用上的表现。不过，这篇报道提供的是发布方结论，没有列出具体分数、速度数据和测试条件。可以关注这个新方向，但还不能据此判断它能否替代现有编程模型。

扩散语言模型和接着写有什么不同

传统自回归模型按顺序生成后续内容，已经生成的文本成为继续生成的依据。报道介绍的 Clover 则通过多轮迭代，让结果从模糊逐渐变得具体。

报道用「全局思维」描述这种差异。更容易理解的方式是：它的生成过程可以围绕整体结果反复细化，而不只是沿着文本末尾继续写。这里的「全局思维」是对生成机制的概括，不能直接理解为推理能力更强。

Clover-35B-A3B-Preview 同时采用了混合专家架构（MoE）。MoE 讨论的是模型如何组织和调用不同专家，扩散讨论的是内容如何生成，两者属于不同层面的设计。

生成方式有变化，不等于任务质量自然更好，最终仍要看测试结果。

比 Qwen 更强、更快，目前能确认到哪一步

DiffuSpace 表示，Clover-35B-A3B-Preview 在多项基准测试中超过同规模自回归模型 Qwen3.6-35B-A3B，尤其擅长智能体编程与工具使用任务。

这个比较有两层主张：一是扩散语言模型在更大的参数尺度下，也能与自回归模型竞争甚至略胜一筹；二是在保持任务表现的同时，生成速度还能更快。

但报道没有列出基准名称、具体得分和领先幅度，也没有说明速度测量使用的硬件、输出长度或部署配置。因此，「多项测试超过」不能扩展为「编程全面领先」，「生成更快」也不能直接当作实际使用时延更低的保证。

尤其在编程智能体场景里，用户等待的还包括工具调用、执行命令、读取结果和修改代码。单次文本生成的速度，只覆盖整个任务的一部分。这是评估时需要补上的环节，并非报道已经验证的结果。

我的判断

我认可这次发布值得关注的地方：它给出了一个采用 MoE 架构的开源扩散语言模型，并把比较对象落到了同规模自回归模型，而不是只谈生成机制的新颖程度。

但现有信息不足以支持选型结论。报道转述了发布方的基准测试主张，却没有提供可检查的对照数据；它不是独立评测，也没有程序员实际使用后的经验材料。

和继续使用已有自回归编程模型相比，尝试 Clover 的理由应当是验证它能否改善具体任务，而不是仅凭「扩散」两个字押注。名称中的 Preview 也应完整保留，不能把这次预览发布当成成熟度已经得到验证。

开源是方便进一步评估的条件。报道只写了 Apache 许可，没有注明许可版本，也没有说明开放文件范围、运行方式和资源要求，这些都需要后续确认。

能拿来做什么

• 如果你正在评估 AI 编程工具，可以把 Clover-35B-A3B-Preview 加入候选，用同一组真实任务比较它与现用模型的完成情况，例如修复前端缺陷或修改 Node 接口。
• 如果关注智能体和工具使用，评估时应检查工具选择、参数正确性和任务是否完成，同时记录整个任务耗时，避免只比较文本生成速度。
• 如果准备本地部署，先确认模型文件、运行支持、资源要求和具体许可文本。当前报道还不足以直接整理出可靠的部署步骤。