JawabanDipublikasikan21 sumber
Clover mengusung cara baru untuk membantu agen AI menulis kode dan memakai alat
Clover 35B A3B Preview adalah model bahasa difusi berbobot terbuka untuk coding dan penggunaan alat, dengan 35 miliar parameter total dan sekitar 3 miliar parameter aktif per token. Alih alih menghasilkan teks satu token demi satu token, model ini bekerja dalam blok dengan perhatian dua arah di dalam setiap blok.
Diterbitkan olehDiedit dengan GPT-6 LunaGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Clover 35B A3B Preview adalah model bahasa difusi berbobot terbuka untuk coding dan penggunaan alat, dengan 35 miliar parameter total dan sekitar 3 miliar parameter aktif per token.
- Alih alih menghasilkan teks satu token demi satu token, model ini bekerja dalam blok dengan perhatian dua arah di dalam setiap blok.
- DiffuSpace melaporkan kecepatan hingga 680 token per detik pada satu GB300. Dalam evaluasi agen web terpisah, median waktu eksekusinya dilaporkan 1,52 detik untuk 49 tugas.
AI Perintah
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 adalah model bahasa difusi khusus teks dari DiffuSpace, yang diadaptasi dari Qwen3.6-35B-A3B. Fokus yang ditonjolkan bukan sekadar percakapan, melainkan juga coding berbasis agen dan penggunaan alat. DiffuSpace melaporkan hasil kuat pada sejumlah evaluasi tugas agen, tetapi hasil itu belum diverifikasi secara independen dan belum membuktikan bahwa model selalu andal saat menjalani alur kerja panjang yang rentan gagal. 3
5
21
Apa bedanya generasi berbasis blok?
Model bahasa autoregresif biasanya menyusun teks dari kiri ke kanan, satu token setiap kali. Clover menggunakan difusi blok: teks dihasilkan dalam blok, dengan perhatian dua arah di dalam tiap blok, sementara teks sebelumnya tetap menjadi awalan kausal yang sudah ditetapkan. 2
4
Clover diadaptasi dari Qwen3.6-35B-A3B dan dijelaskan sebagai model mixture-of-experts (MoE): totalnya memiliki 35 miliar parameter, tetapi sekitar 3 miliar yang aktif untuk setiap token. Deskripsi model juga mencantumkan mode berpikir dan jendela konteks sekitar 128 ribu token. 5
8
Deskripsi yang tersedia menyebut parameter Gated DeltaNet terpelajar sebagai bagian dari rancangan difusi blok. Namun, informasinya belum cukup untuk menilai secara rinci fungsi perubahan struktur Gated DeltaNet yang diusulkan ataupun kalibrasi ukuran blok yang dapat dipelajari. 2
7
Fokus pada agen—tetapi apa yang belum terbukti?
DiffuSpace memosisikan Clover untuk coding berbasis agen dan penggunaan alat. Hasil yang dilaporkan mencakup tolok ukur perbaikan perangkat lunak, tugas terminal, dan pemanggilan fungsi. Laporan terpisah juga memuat evaluasi agen web serta demonstrasi tugas seperti pendaftaran, pengelolaan faktur, dan pencarian informasi. 21
Bukti yang tersedia belum menunjukkan seberapa baik Clover menghasilkan antarmuka front-end. Bukti itu juga belum memastikan bahwa difusi blok dengan sendirinya mencegah format pemanggilan alat yang keliru atau langkah gagal yang terus berulang. Keandalan semacam itu perlu diuji pada tingkat tugas; kecepatan generasi atau satu skor tolok ukur saja tidak cukup untuk menjawabnya.
Skor tolok ukur yang dilaporkan
Angka berikut dilaporkan DiffuSpace atau diberitakan sebagai hasil tim. Angka-angka ini sebaiknya tidak dianggap sebagai temuan yang telah diverifikasi secara independen. 21
| Evaluasi | Skor yang dilaporkan |
|---|---|
| SWE-bench Verified | 73,6 |
| Terminal-Bench 2.1 | 51,7 |
| τ³ Overall | 65,3 |
| BFCL-v4 | 67,9 |
Sumber yang tersedia belum memberikan detail evaluasi yang cukup sebanding untuk memastikan selisih persis antara Clover dan Qwen3.6-35B-A3B atau model autoregresif lain dengan ukuran serupa. Karena itu, perbandingan perlu dibaca hati-hati, kecuali pengaturan model dan kondisi pengujiannya benar-benar selaras.
Kecepatan dan hasil agen web
Sebuah halaman perbandingan model mengaitkan angka puncak 680 token per detik pada satu NVIDIA GB300 dengan pengukuran DiffuSpace. 27 Dalam laporan evaluasi agen web WindTunnel, 49 tugas masing-masing dicoba tiga kali. Median waktu eksekusi Clover dilaporkan 1,52 detik, dibanding 3,21 detik untuk Jev plus Mercury 2.5. Laporan yang sama mencatat tingkat keberhasilan per percobaan masing-masing 98,6% dan 95,9%. Hasil tersebut berasal dari evaluasi yang dilaporkan, bukan jaminan performa untuk semua alur kerja di peramban.
21
Sumber yang tersedia tidak mendukung angka kecepatan Clover pada satu H200 ataupun perbandingan langsung dengan metode speculative decoding DFlash2. Demo komunitas di ZeroGPU memang tercatat, tetapi keberadaan demo yang dihosting bukanlah tolok ukur performa. 1
Bobot model, lisensi, dan waktu rilis
Repositori resmi model Clover tersedia di Hugging Face, dan DiffuSpace juga mencantumkan repositori GGUF resmi untuk inferensi lokal. 5
6 PC Watch melaporkan bahwa model ini berlisensi Apache 2.0 dan kode inferensi Transformers tersedia. Dukungan kode serta panduan pemasangan untuk SGLang dan llama.cpp disebut akan menyusul.
17
Tanggal rilis yang dilaporkan tidak seragam: PC Watch menyebut 28 Oktober waktu Tiongkok, sedangkan artikel peluncuran DiffuSpace di Hugging Face bertanggal 30 Oktober. 3
17 Sumber juga mencatat demo obrolan ZeroGPU dari komunitas, tetapi belum memverifikasi rincian rencana untuk agent harness atau klien coding desktop.
1
Kesimpulannya
Clover adalah upaya menarik untuk membawa difusi blok ke agen coding dan penggunaan alat. Arsitekturnya berbeda dari generasi token dari kiri ke kanan, sementara skor tolok ukur dan angka kecepatannya yang dilaporkan layak ditindaklanjuti. Namun, klaim tersebut masih perlu diuji lebih jauh. Pengujian independen perlu melihat ketepatan format pemanggilan alat, kemampuan pulih setelah kesalahan, keberhasilan menyelesaikan alur kerja panjang, dan latensi dari awal hingga akhir—bukan hanya jumlah token per detik.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Clover mengusung cara baru untuk membantu agen AI menulis kode dan memakai alat"?
Clover 35B A3B Preview adalah model bahasa difusi berbobot terbuka untuk coding dan penggunaan alat, dengan 35 miliar parameter total dan sekitar 3 miliar parameter aktif per token.
Apa poin penting yang harus divalidasi terlebih dahulu?
Clover 35B A3B Preview adalah model bahasa difusi berbobot terbuka untuk coding dan penggunaan alat, dengan 35 miliar parameter total dan sekitar 3 miliar parameter aktif per token. Alih alih menghasilkan teks satu token demi satu token, model ini bekerja dalam blok dengan perhatian dua arah di dalam setiap blok.
Apa yang harus saya lakukan selanjutnya dalam latihan?
DiffuSpace melaporkan kecepatan hingga 680 token per detik pada satu GB300. Dalam evaluasi agen web terpisah, median waktu eksekusinya dilaporkan 1,52 detik untuk 49 tugas.