AnswersPublished21 sources
Clover-35B-A3B: Diffusionsmodel vil gøre AI-agenter bedre til kodning
Clover 35B A3B Preview er en tekstbaseret model med åbne vægte, målrettet kodning og AI agenter. Modellen genererer tekst i blokke med bidirektionel opmærksomhed inden for hver blok, i stedet for kun ét token ad gangen.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Clover 35B A3B Preview er en tekstbaseret model med åbne vægte, målrettet kodning og AI agenter.
- Modellen genererer tekst i blokke med bidirektionel opmærksomhed inden for hver blok, i stedet for kun ét token ad gangen.
- DiffuSpace rapporterer op til 680 tokens i sekundet på én GB300. En separat webagent test angiver en median afviklingstid på 1,52 sekunder på tværs af 49 opgaver.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is DiffuSpace’s Clover-35B-A3B-Preview, open-sourced on October 29, 2026 by the team behind Dream 7B, and how does it target coding, to. Article summary: Clover-35B-A3B-Preview is DiffuSpace’s open-weight, text-only diffusion language model, adapted from Qwen3.6-35B-A3B and associated with the HKU team behind Dream 7B; its reported emphasis is agentic coding and tool use . Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Clover-35B-A3B-Preview er en tekstbaseret diffusionssprogmodel med åbne vægte fra DiffuSpace. Den er tilpasset Qwen3.6-35B-A3B og er især tænkt til kodning og agenter, der bruger værktøjer – ikke kun almindelig chat. DiffuSpace rapporterer stærke resultater på agentopgaver, men de tilgængelige kilder bekræfter ikke resultaterne uafhængigt eller viser, at modellen pålideligt kan håndtere lange arbejdsgange, hvor fejl kan opstå undervejs. 3
5
21
Sådan adskiller blokdiffusion sig
Autoregressive sprogmodeller skriver typisk tekst fra venstre mod højre, ét token ad gangen. Clover bruger i stedet blokdiffusion: Modellen genererer tekstblokke med bidirektionel opmærksomhed inden for hver blok, samtidig med at den bevarer et kausalt præfiks – altså den tekst, der allerede er fastlagt før den aktuelle blok. 2
4
Modellen bygger på Qwen3.6-35B-A3B og beskrives som en mixture-of-experts-model med 35 mia. parametre i alt og cirka 3 mia. aktive parametre pr. token. Modelbeskrivelserne nævner også en tænketilstand og et kontekstvindue på omkring 128.000 tokens. 5
8
De tilgængelige beskrivelser nævner indlærte Gated DeltaNet-parametre som en del af blokdiffusionsdesignet. De giver dog ikke nok detaljer til at vurdere den præcise rolle for en eventuel omstrukturering af Gated DeltaNet eller justering af blokstørrelsen. 2
7
Hvad agentresultaterne viser – og ikke viser
DiffuSpace fremhæver Clover til agentbaseret kodning og brug af værktøjer. De rapporterede resultater omfatter tests af softwarefejlretning, terminalopgaver og funktionskald. En særskilt rapport beskriver også en webagent-test og demonstrationer af opgaver som tilmelding, fakturahåndtering og informationssøgning. 21
Det fremlagte materiale dokumenterer ikke, hvor godt Clover klarer generering af brugergrænseflader. Det viser heller ikke, at blokdiffusion i sig selv forhindrer ugyldige værktøjskald eller gentagne fejlslagne forsøg. Den slags pålidelighed kræver test af hele opgaver og arbejdsgange; hverken genereringshastighed eller en enkelt benchmarkscore kan afgøre det alene.
Rapporterede benchmarkresultater
Nedenstående resultater er rapporteret af DiffuSpace eller i omtale af teamets evalueringer. De bør ikke læses som uafhængigt bekræftede resultater. 21
| Evaluering | Rapporteret resultat |
|---|---|
| SWE-bench Verified | 73,6 |
| Terminal-Bench 2.1 | 51,7 |
| τ³ Overall | 65,3 |
| BFCL-v4 | 67,9 |
Kilderne indeholder ikke tilstrækkelige sammenlignelige oplysninger til at fastslå præcist, hvor meget Clover eventuelt ligger foran Qwen3.6-35B-A3B eller andre autoregressive modeller i samme størrelsesklasse. Sammenligninger bør derfor tages med forbehold, medmindre modelindstillinger og testvilkår er ens.
Rapporteret hastighed og webagent-test
En modeloversigt tilskriver DiffuSpaces målinger en topfart på 680 tokens i sekundet på én NVIDIA GB300. 27 I en særskilt WindTunnel-test af webagenter blev 49 opgaver forsøgt tre gange hver. Her var den rapporterede mediane afviklingstid for Clover 1,52 sekunder mod 3,21 sekunder for Jev sammen med Mercury 2.5. Samme rapport angiver succesrater pr. forsøg på henholdsvis 98,6 og 95,9 procent. Det er resultater fra en bestemt evaluering – ikke dokumentation for, at modellen klarer alle browseropgaver lige godt.
21
De tilgængelige kilder underbygger ikke et hastighedstal for Clover på én H200 eller en direkte hastighedssammenligning med DFlash2 speculative decoding. En community-demo på ZeroGPU er dokumenteret, men en demo er ikke i sig selv en benchmarktest. 1
Vægte, licens og udgivelse
Clover-vægtene findes i DiffuSpaces officielle modelarkiv på Hugging Face, og DiffuSpace har også et officielt GGUF-arkiv til lokal kørsel. 5
6 PC Watch rapporterer, at modellen bruger Apache 2.0-licensen, og at der findes inferenskode til Transformers. Kode og installationsvejledninger til SGLang og llama.cpp blev beskrevet som kommende.
17
Udgivelsesdatoen angives ikke ens i kilderne: PC Watch skriver 28. oktober, kinesisk tid, mens DiffuSpaces lanceringsartikel på Hugging Face er dateret 30. oktober. 3
17 Kilderne dokumenterer også en community-demo på ZeroGPU, men bekræfter ikke detaljer om planlagte agentrammer eller skrivebordsbaserede kodeværktøjer.
1
Hvad man foreløbig kan konkludere
Clover er et bemærkelsesværdigt forsøg på at bringe blokdiffusion ind i kodnings- og værktøjsbrugende agenter. Arkitekturen adskiller sig fra den sædvanlige generering token for token, og de rapporterede benchmark- og hastighedstal er værd at følge. Men påstandene er foreløbige. Uafhængige tests bør undersøge, om værktøjskald har korrekt format, om modellen kan rette op efter fejl, om den gennemfører længere arbejdsgange, og hvor lang tid hele processen tager – ikke kun hvor hurtigt den genererer tokens.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Clover-35B-A3B: Diffusionsmodel vil gøre AI-agenter bedre til kodning"?
Clover 35B A3B Preview er en tekstbaseret model med åbne vægte, målrettet kodning og AI agenter.
What are the key points to validate first?
Clover 35B A3B Preview er en tekstbaseret model med åbne vægte, målrettet kodning og AI agenter. Modellen genererer tekst i blokke med bidirektionel opmærksomhed inden for hver blok, i stedet for kun ét token ad gangen.
What should I do next in practice?
DiffuSpace rapporterer op til 680 tokens i sekundet på én GB300. En separat webagent test angiver en median afviklingstid på 1,52 sekunder på tværs af 49 opgaver.