RéponsesPublié21 sources
Clover-35B-A3B mise sur la génération par blocs pour les agents de code
Clover 35B A3B Preview est un modèle de langage à diffusion, adapté de Qwen3.6 35B A3B : il compte 35 milliards de paramètres au total, dont environ 3 milliards actifs par jeton. Il génère le texte par blocs, avec une attention bidirectionnelle à l’intérieur de chaque bloc.
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- Clover 35B A3B Preview est un modèle de langage à diffusion, adapté de Qwen3.6 35B A3B : il compte 35 milliards de paramètres au total, dont environ 3 milliards actifs par jeton.
- Il génère le texte par blocs, avec une attention bidirectionnelle à l’intérieur de chaque bloc.
- DiffuSpace annonce jusqu’à 680 jetons par seconde sur une GB300. Dans un test distinct de 49 tâches web, le temps médian rapporté est de 1,52 seconde par tâche.
Prompt 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 est un modèle de langage textuel à diffusion dont les poids sont publiés par DiffuSpace. Adapté de Qwen3.6-35B-A3B, il est présenté avant tout comme un modèle pour le code agentique et l’utilisation d’outils, plutôt que comme un simple chatbot. DiffuSpace fait état de bons résultats sur plusieurs évaluations d’agents, mais ceux-ci ne sont pas vérifiés de façon indépendante et ne suffisent pas à démontrer que le modèle gère de manière fiable des tâches longues ou sujettes aux erreurs. 3
5
21
Une génération par blocs, plutôt que jeton par jeton
Un modèle autorégressif classique produit généralement le texte de gauche à droite, un jeton après l’autre. Clover utilise plutôt une approche dite de diffusion par blocs : il génère des blocs de texte, avec une attention bidirectionnelle à l’intérieur de chacun, tout en conservant un préfixe causal — le texte déjà établi avant le bloc en cours. 2
4
Le modèle s’appuie sur Qwen3.6-35B-A3B et adopte une architecture à mélange d’experts : 35 milliards de paramètres au total, dont environ 3 milliards actifs pour chaque jeton. Sa fiche mentionne aussi un mode de réflexion et une fenêtre de contexte d’environ 128 000 jetons. 5
8
Les descriptions disponibles évoquent des paramètres Gated DeltaNet appris dans le cadre de cette architecture. Elles ne donnent toutefois pas assez de détails pour évaluer précisément leur rôle, ni celui d’une éventuelle restructuration de Gated DeltaNet ou d’un calibrage apprenable de la taille des blocs. 2
7
Des ambitions pour les agents, mais des garanties encore limitées
DiffuSpace positionne Clover pour le développement logiciel agentique et l’utilisation d’outils. Les résultats communiqués couvrent notamment la réparation de logiciels, des tâches exécutées dans un terminal et des appels de fonctions. Un autre compte rendu décrit une évaluation d’agent web et des démonstrations portant, entre autres, sur des inscriptions, des factures et la recherche d’informations. 21
En revanche, les éléments disponibles ne permettent pas de conclure sur ses capacités en génération d’interfaces front-end. Ils ne montrent pas non plus que la diffusion par blocs suffit à empêcher les appels d’outils mal formés ou les répétitions d’étapes qui échouent. Pour juger de la fiabilité, il faut tester les tâches de bout en bout : un score de benchmark ou une vitesse de génération ne répond pas, à lui seul, à cette question.
Les scores annoncés par DiffuSpace
Les résultats ci-dessous sont rapportés par DiffuSpace ou par des articles qui relaient les chiffres de l’équipe. Ils ne doivent pas être considérés comme des résultats vérifiés de manière indépendante. 21
| Évaluation | Score annoncé |
|---|---|
| SWE-bench Verified | 73,6 |
| Terminal-Bench 2.1 | 51,7 |
| τ³ Overall | 65,3 |
| BFCL-v4 | 67,9 |
Les sources disponibles ne fournissent pas assez de détails comparables pour établir précisément l’écart entre Clover et Qwen3.6-35B-A3B ou d’autres modèles autorégressifs de taille similaire. Les comparaisons sont donc à interpréter avec prudence, sauf si les réglages et les conditions d’évaluation sont identiques.
Vitesse et tâches sur le Web
Une page consacrée aux modèles attribue à DiffuSpace une vitesse de pointe de 680 jetons par seconde sur une seule carte NVIDIA GB300. 27 Dans une évaluation distincte de l’agent web WindTunnel, menée sur 49 tâches avec trois tentatives par tâche, le temps d’exécution médian rapporté est de 1,52 seconde pour Clover, contre 3,21 secondes pour Jev associé à Mercury 2.5. Le même compte rendu indique des taux de réussite par tentative de 98,6 % et 95,9 %, respectivement. Ce sont des résultats d’évaluation rapportés, pas une garantie de performance sur tous les parcours web.
21
Les sources disponibles ne confirment ni une vitesse de Clover sur une seule H200 ni une comparaison directe avec le décodage spéculatif DFlash2. Une démonstration communautaire sur ZeroGPU est documentée, mais la mise à disposition d’une démo ne constitue pas en soi un benchmark. 1
Poids, licence et calendrier de sortie
Les poids officiels de Clover sont hébergés sur Hugging Face, et DiffuSpace propose également un dépôt GGUF officiel pour l’inférence locale. 5
6 PC Watch rapporte une licence Apache 2.0 et indique que du code d’inférence pour Transformers est disponible. Le code d’intégration et les instructions d’installation pour SGLang et llama.cpp étaient, selon cet article, annoncés comme à venir.
17
La date de sortie varie selon les sources : PC Watch situe la publication au 28 octobre, heure de Chine, tandis que l’article de lancement de DiffuSpace sur Hugging Face est daté du 30 octobre. 3
17 Les sources documentent aussi une démo de discussion communautaire sur ZeroGPU, mais ne confirment pas les détails annoncés pour un agent harness ou un client de programmation de bureau.
1
À retenir
Clover est une tentative notable d’appliquer la diffusion par blocs aux agents de code et à l’usage d’outils, avec une architecture différente de la génération autorégressive classique et des résultats annoncés qui méritent un examen plus approfondi. Mais, à ce stade, ces résultats restent provisoires. Des tests indépendants devraient mesurer la validité des appels d’outils, la capacité à se reprendre après une erreur, la réussite de tâches longues et la latence de bout en bout — pas seulement le nombre de jetons générés par seconde.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « Clover-35B-A3B mise sur la génération par blocs pour les agents de code » ?
Clover 35B A3B Preview est un modèle de langage à diffusion, adapté de Qwen3.6 35B A3B : il compte 35 milliards de paramètres au total, dont environ 3 milliards actifs par jeton.
Quels sont les points clés à valider en premier ?
Clover 35B A3B Preview est un modèle de langage à diffusion, adapté de Qwen3.6 35B A3B : il compte 35 milliards de paramètres au total, dont environ 3 milliards actifs par jeton. Il génère le texte par blocs, avec une attention bidirectionnelle à l’intérieur de chaque bloc.
Que dois-je faire ensuite en pratique ?
DiffuSpace annonce jusqu’à 680 jetons par seconde sur une GB300. Dans un test distinct de 49 tâches web, le temps médian rapporté est de 1,52 seconde par tâche.