RespuestasPublicado21 fuentes
Clover-35B-A3B: qué promete y qué falta comprobar
Clover 35B A3B Preview es un modelo de lenguaje de difusión con pesos abiertos, basado en Qwen3.6 35B A3B y enfocado en programación y agentes que usan herramientas. Genera texto por bloques con atención bidireccional dentro de cada bloque, en vez de producirlo estrictamente token a token.
Publicado porEditado con GPT-6 LunaImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- Clover 35B A3B Preview es un modelo de lenguaje de difusión con pesos abiertos, basado en Qwen3.6 35B A3B y enfocado en programación y agentes que usan herramientas.
- Genera texto por bloques con atención bidireccional dentro de cada bloque, en vez de producirlo estrictamente token a token.
- DiffuSpace reporta hasta 680 tokens por segundo en una NVIDIA GB300; una evaluación independiente de la compañía sobre agentes web informó una mediana de 1,52 segundos en 49 tareas.
Prompt de IA
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 es un modelo de lenguaje de difusión, solo de texto y con pesos abiertos, que DiffuSpace adaptó a partir de Qwen3.6-35B-A3B. Su propuesta se centra en la programación con agentes y el uso de herramientas, más que en el chat convencional. La empresa ha difundido resultados destacados en pruebas de agentes, pero la información disponible no los verifica de manera independiente ni demuestra que el modelo sea fiable en flujos de trabajo largos y propensos a errores. 3
5
21
Cómo funciona la difusión por bloques
Los modelos autorregresivos suelen generar texto de izquierda a derecha, un token tras otro. Clover utiliza difusión por bloques: produce segmentos de texto con atención bidireccional dentro de cada bloque, mientras conserva un prefijo causal, es decir, el texto ya establecido antes del bloque actual. 2
4
El modelo está basado en Qwen3.6-35B-A3B y se describe como una arquitectura de mezcla de expertos (MoE), con 35.000 millones de parámetros en total y alrededor de 3.000 millones activos por token. También incluye un modo de razonamiento y una ventana de contexto de aproximadamente 128.000 tokens. 5
8
Las descripciones disponibles mencionan parámetros aprendidos de Gated DeltaNet dentro del diseño de difusión por bloques, pero no ofrecen suficiente detalle para valorar el papel concreto de una posible reestructuración de Gated DeltaNet o de la calibración aprendible del tamaño de bloque. 2
7
Qué dicen las pruebas de agentes y qué queda pendiente
DiffuSpace orienta Clover a la programación con agentes y al uso de herramientas. Entre los resultados que reporta figuran evaluaciones de reparación de software, tareas de terminal y llamadas a funciones. Otro informe describe pruebas de agentes web y demostraciones con tareas como inscripciones, gestión de facturas y búsqueda de información. 21
La información disponible no permite evaluar bien su desempeño en generación de interfaces front-end. Tampoco demuestra que la difusión por bloques, por sí sola, evite llamadas a herramientas mal formadas o la repetición de pasos fallidos. Para responder a esas preguntas hacen falta pruebas de fiabilidad a nivel de tarea: ni la velocidad de generación ni una puntuación de benchmark bastan por sí solas.
Resultados de benchmarks reportados
DiffuSpace —o la cobertura de sus resultados— atribuye al modelo las siguientes puntuaciones. Conviene leerlas como resultados reportados por la empresa, no como hallazgos verificados de forma independiente. 21
| Evaluación | Puntuación reportada |
|---|---|
| SWE-bench Verified | 73,6 |
| Terminal-Bench 2.1 | 51,7 |
| τ³ Overall | 65,3 |
| BFCL-v4 | 67,9 |
Las fuentes disponibles no aportan suficiente detalle comparable para establecer con precisión la ventaja de Clover frente a Qwen3.6-35B-A3B u otros modelos autorregresivos de tamaño similar. Es mejor tomar esas comparaciones con cautela si no se han igualado la configuración y las condiciones de prueba.
Velocidad y pruebas con agentes web
Una página de comparación de modelos atribuye a mediciones de DiffuSpace un máximo de 680 tokens por segundo en una sola NVIDIA GB300. 27 Por separado, un informe de WindTunnel sobre agentes web evaluó 49 tareas, con tres intentos por tarea. Allí, la mediana de ejecución de Clover fue de 1,52 segundos, frente a 3,21 segundos para Jev más Mercury 2.5. El mismo informe indica tasas de éxito por intento de 98,6 % y 95,9 %, respectivamente. Son resultados reportados de esa evaluación, no una garantía de desempeño en cualquier flujo de navegación.
21
Las fuentes disponibles no respaldan una cifra de velocidad de Clover en una sola H200 ni una comparación directa con la decodificación especulativa DFlash2. Sí documentan una demostración comunitaria en ZeroGPU, pero una demo alojada no equivale a un benchmark. 1
Pesos, licencia y fecha de lanzamiento
El repositorio oficial del modelo en Hugging Face aloja los pesos de Clover, y DiffuSpace también lista un repositorio oficial de GGUF para inferencia local. 5
6 PC Watch informa que el modelo se distribuye bajo la licencia Apache 2.0 y que hay código de inferencia para Transformers; según ese medio, el código de compatibilidad y las instrucciones de configuración para SGLang y llama.cpp estaban pendientes.
17
La fecha de lanzamiento aparece de forma inconsistente: PC Watch sitúa la publicación el 28 de octubre, hora de China, mientras que el artículo de lanzamiento de DiffuSpace en Hugging Face lleva fecha del 30 de octubre. 3
17 Las fuentes también documentan una demo comunitaria de chat en ZeroGPU, pero no confirman los planes mencionados para un arnés de agentes o un cliente de programación de escritorio.
1
La conclusión práctica
Clover es un intento notable de llevar la difusión por bloques a los agentes de programación y al uso de herramientas. Su arquitectura se aparta de la generación token a token, y los resultados reportados en benchmarks y velocidad merecen seguimiento. Pero, por ahora, esas afirmaciones siguen siendo preliminares. Las pruebas independientes deberían medir si el modelo produce llamadas a herramientas válidas, se recupera de los errores y completa flujos de trabajo largos, además de evaluar la latencia de principio a fin; no solo los tokens por segundo.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Clover-35B-A3B: qué promete y qué falta comprobar"?
Clover 35B A3B Preview es un modelo de lenguaje de difusión con pesos abiertos, basado en Qwen3.6 35B A3B y enfocado en programación y agentes que usan herramientas.
¿Cuáles son los puntos clave a validar primero?
Clover 35B A3B Preview es un modelo de lenguaje de difusión con pesos abiertos, basado en Qwen3.6 35B A3B y enfocado en programación y agentes que usan herramientas. Genera texto por bloques con atención bidireccional dentro de cada bloque, en vez de producirlo estrictamente token a token.
¿Qué debo hacer a continuación en la práctica?
DiffuSpace reporta hasta 680 tokens por segundo en una NVIDIA GB300; una evaluación independiente de la compañía sobre agentes web informó una mediana de 1,52 segundos en 49 tareas.