AntwortenVeröffentlicht21 Quellen
Clover setzt bei KI-Agenten auf Textblöcke statt Token für Token
Clover 35B A3B Preview ist ein offenes, textbasiertes Diffusionsmodell für Coding und Tool Agenten. Statt Text strikt Token für Token von links nach rechts zu erzeugen, verarbeitet Clover Blöcke mit bidirektionaler Aufmerksamkeit.
Veröffentlicht vonBearbeitet mit GPT-6 LunaBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- Clover 35B A3B Preview ist ein offenes, textbasiertes Diffusionsmodell für Coding und Tool Agenten.
- Statt Text strikt Token für Token von links nach rechts zu erzeugen, verarbeitet Clover Blöcke mit bidirektionaler Aufmerksamkeit.
- DiffuSpace gibt bis zu 680 Tokens pro Sekunde auf einer einzelnen GB300 an. Ein separater Web Agent Test berichtet eine mediane Ausführungszeit von 1,52 Sekunden über 49 Aufgaben.
KI-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 ist ein offenes, textbasiertes Diffusionsmodell von DiffuSpace. Es baut auf Qwen3.6-35B-A3B auf und richtet sich vor allem an Coding-Agenten und Systeme, die Werkzeuge nutzen – nicht nur an klassische Chat-Anwendungen. Die gemeldeten Benchmark-Werte sind beachtlich, stammen aber aus Berichten des Entwicklers beziehungsweise aus Berichterstattung über dessen Tests. Unabhängig bestätigt sind sie damit nicht; auch die Zuverlässigkeit bei langen, fehleranfälligen Abläufen ist noch nicht belegt. 3
5
21
Text in Blöcken statt Token für Token
Autoregressive Sprachmodelle erzeugen Text üblicherweise der Reihe nach: Ein Token folgt auf das vorherige. Clover nutzt dagegen Block-Diffusion. Dabei wird Text in Blöcken generiert; innerhalb eines Blocks kann das Modell Informationen in beide Richtungen berücksichtigen. Zugleich bleibt ein kausaler Präfix erhalten – also der bereits festgelegte Text vor dem aktuellen Block. 2
4
Clover basiert auf Qwen3.6-35B-A3B und wird als Mixture-of-Experts-Modell beschrieben. Insgesamt umfasst es 35 Milliarden Parameter, rund 3 Milliarden davon sind pro Token aktiv. In den Modellangaben werden außerdem ein Denkmodus und ein Kontextfenster von rund 128.000 Token genannt. 5
8
Die verfügbaren Beschreibungen führen gelernte Gated-DeltaNet-Parameter als Teil des Block-Diffusionsdesigns auf. Sie erläutern jedoch nicht ausreichend, welche konkrete Wirkung eine mögliche Umstrukturierung von Gated DeltaNet oder eine lernbare Anpassung der Blockgröße hat. 2
7
Was die Agenten-Tests aussagen – und was nicht
DiffuSpace positioniert Clover für agentisches Programmieren und den Einsatz von Werkzeugen. Die berichteten Ergebnisse umfassen Tests zu Software-Reparaturen, Terminal-Aufgaben und Funktionsaufrufen. Ein separater Bericht beschreibt außerdem eine Web-Agent-Evaluation und Beispiele für Aufgaben wie Anmeldungen, Rechnungsbearbeitung und Informationssuche. 21
Die vorliegenden Belege zeigen nicht, wie gut Clover Frontend-Code erzeugt. Ebenso wenig ist nachgewiesen, dass Block-Diffusion allein fehlerhafte Tool-Aufrufe oder wiederholte Fehlversuche verhindert. Dafür braucht es Tests, die den gesamten Ablauf betrachten: Eine hohe Generierungsgeschwindigkeit oder ein Benchmark-Wert beantwortet diese Zuverlässigkeitsfragen nicht für sich genommen.
Gemeldete Benchmark-Ergebnisse
Die folgenden Werte werden von DiffuSpace beziehungsweise in Berichten über die Ergebnisse des Teams genannt. Sie sind nicht als unabhängig verifizierte Resultate zu verstehen. 21
| Test | Gemeldeter Wert |
|---|---|
| SWE-bench Verified | 73,6 |
| Terminal-Bench 2.1 | 51,7 |
| τ³ Overall | 65,3 |
| BFCL-v4 | 67,9 |
Die verfügbaren Quellen liefern nicht genügend vergleichbare Angaben, um genaue Abstände zu Qwen3.6-35B-A3B oder ähnlich großen autoregressiven Modellen festzustellen. Vergleiche sind daher mit Vorsicht zu lesen, solange Einstellungen und Testbedingungen nicht übereinstimmen.
Geschwindigkeit und Web-Agent-Aufgaben
Eine Modellvergleichsseite schreibt DiffuSpaces Messungen einen Spitzenwert von 680 Tokens pro Sekunde auf einer einzelnen NVIDIA GB300 zu. 27 Ein separater Bericht zu WindTunnel beschreibt 49 Web-Agent-Aufgaben, die jeweils dreimal versucht wurden: Für Clover wird eine mediane Ausführungszeit von 1,52 Sekunden angegeben, gegenüber 3,21 Sekunden für Jev plus Mercury 2.5. Die Erfolgsquoten pro Versuch lagen dem Bericht zufolge bei 98,6 beziehungsweise 95,9 Prozent. Das sind Ergebnisse dieser Evaluation, kein Beleg für die Leistung bei jedem beliebigen Browser-Ablauf.
21
Die verfügbaren Quellen belegen weder eine Clover-Geschwindigkeitsangabe auf einer einzelnen H200 noch einen direkten Vergleich mit spekulativem Decoding durch DFlash2. Eine Community-Demo auf ZeroGPU ist dokumentiert; eine gehostete Demo ist jedoch kein Benchmark. 1
Gewichte, Lizenz und Veröffentlichung
Die offiziellen Modellgewichte liegen im Hugging-Face-Repository von Clover; DiffuSpace führt außerdem ein offizielles GGUF-Repository für die lokale Inferenz auf. 5
6 PC Watch nennt eine Apache-2.0-Lizenz und berichtet, dass Inferenzcode für Transformers verfügbar ist. Unterstützungscode und Einrichtungsanleitungen für SGLang und llama.cpp sollten dem Bericht zufolge noch folgen.
17
Beim Veröffentlichungsdatum gibt es unterschiedliche Angaben: PC Watch nennt den 28. Oktober nach chinesischer Zeit, während der Hugging-Face-Beitrag von DiffuSpace auf den 30. Oktober datiert ist. 3
17 Eine Community-Demo mit ZeroGPU ist ebenfalls dokumentiert. Geplante Details zu einem Agenten-Harness oder einem Desktop-Client fürs Programmieren lassen sich anhand der verfügbaren Quellen jedoch nicht bestätigen.
1
Das Wichtigste
Clover ist ein bemerkenswerter Versuch, Block-Diffusion für Coding- und Tool-Agenten nutzbar zu machen. Die Architektur unterscheidet sich von der üblichen Token-für-Token-Erzeugung; die gemeldeten Benchmark- und Geschwindigkeitswerte verdienen weitere Prüfung. Die Aussagen bleiben jedoch vorläufig. Unabhängige Tests sollten untersuchen, ob Tool-Aufrufe korrekt formatiert sind, wie das Modell nach Fehlern reagiert und ob es längere Arbeitsabläufe zuverlässig abschließt – nicht nur, wie viele Tokens es pro Sekunde erzeugt.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Clover setzt bei KI-Agenten auf Textblöcke statt Token für Token“?
Clover 35B A3B Preview ist ein offenes, textbasiertes Diffusionsmodell für Coding und Tool Agenten.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Clover 35B A3B Preview ist ein offenes, textbasiertes Diffusionsmodell für Coding und Tool Agenten. Statt Text strikt Token für Token von links nach rechts zu erzeugen, verarbeitet Clover Blöcke mit bidirektionaler Aufmerksamkeit.
Was soll ich als nächstes in der Praxis tun?
DiffuSpace gibt bis zu 680 Tokens pro Sekunde auf einer einzelnen GB300 an. Ein separater Web Agent Test berichtet eine mediane Ausführungszeit von 1,52 Sekunden über 49 Aufgaben.