AnswersPublished21 sources
Clover-35B-A3B: cosa promette il modello di DiffuSpace e cosa resta da verificare
Clover 35B A3B Preview è un modello linguistico a diffusione, a pesi aperti e solo testuale, pensato per coding e agenti che usano strumenti: ha 35 miliardi di parametri totali, circa 3 miliardi attivi per token. Genera blocchi di testo con attenzione bidirezionale al loro interno, invece di procedere strettamente u...
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- Clover 35B A3B Preview è un modello linguistico a diffusione, a pesi aperti e solo testuale, pensato per coding e agenti che usano strumenti: ha 35 miliardi di parametri totali, circa 3 miliardi attivi per token.
- Genera blocchi di testo con attenzione bidirezionale al loro interno, invece di procedere strettamente un token alla volta.
- DiffuSpace dichiara fino a 680 token al secondo su una singola NVIDIA GB300. Un test separato su agenti web riporta un tempo mediano di 1,52 secondi su 49 attività.
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 è un modello linguistico a diffusione, solo testuale e a pesi aperti, sviluppato da DiffuSpace a partire da Qwen3.6-35B-A3B. Il progetto si concentra su coding e agenti capaci di usare strumenti, non soltanto sulla chat tradizionale. DiffuSpace riporta risultati solidi nei test sugli agenti, ma le prove disponibili non li verificano in modo indipendente e non dimostrano che il modello gestisca con affidabilità flussi di lavoro lunghi e soggetti a errori. 3
5
21
Come funziona la diffusione a blocchi
I modelli linguistici autoregressivi generano normalmente il testo da sinistra a destra, un token dopo l’altro. Clover adotta invece la diffusione a blocchi: produce gruppi di testo con attenzione bidirezionale all’interno di ciascun blocco, mantenendo al tempo stesso un prefisso causale, cioè il testo già stabilito prima del blocco corrente. 2
4
Il modello deriva da Qwen3.6-35B-A3B ed è descritto come un sistema mixture of experts (MoE): conta 35 miliardi di parametri complessivi, ma ne attiva circa 3 miliardi per token. Le schede del modello indicano anche una modalità di ragionamento e una finestra di contesto di circa 128.000 token. 5
8
Le descrizioni disponibili citano parametri Gated DeltaNet appresi come parte dell’architettura a diffusione per blocchi. Non offrono però dettagli sufficienti per valutare il ruolo specifico di eventuali modifiche a Gated DeltaNet o della calibrazione apprendibile della dimensione dei blocchi. 2
7
Cosa dimostrano — e cosa non dimostrano — i test sugli agenti
DiffuSpace propone Clover per il coding agentico e l’uso di strumenti. I risultati dichiarati comprendono benchmark di riparazione del software, attività da terminale e chiamate a funzioni. Un resoconto separato descrive anche una valutazione di agenti web e dimostrazioni con attività come iscrizioni, gestione di fatture e ricerca di informazioni. 21
Le informazioni disponibili non permettono di valutare in modo adeguato le capacità di Clover nella generazione di interfacce front-end. Non dimostrano neppure che la diffusione a blocchi, da sola, impedisca chiamate agli strumenti malformate o sequenze di tentativi falliti. Sono questioni di affidabilità che richiedono test sulle singole attività: né la velocità di generazione né un punteggio di benchmark possono chiarirle da soli.
I risultati dichiarati nei benchmark
I punteggi qui sotto sono riportati da DiffuSpace o da articoli che descrivono i risultati del team: non vanno considerati verifiche indipendenti. 21
| Valutazione | Punteggio dichiarato |
|---|---|
| SWE-bench Verified | 73,6 |
| Terminal-Bench 2.1 | 51,7 |
| τ³ Overall | 65,3 |
| BFCL-v4 | 67,9 |
Le fonti disponibili non forniscono abbastanza dettagli comparabili per stabilire con precisione il vantaggio di Clover su Qwen3.6-35B-A3B o su altri modelli autoregressivi di dimensioni simili. È quindi prudente non trarre conclusioni dai confronti, a meno che configurazioni e condizioni di test non siano allineate.
Velocità e risultati sugli agenti web
Una pagina di confronto attribuisce alle misurazioni di DiffuSpace un picco di 680 token al secondo su una singola NVIDIA GB300. 27 In una valutazione separata di WindTunnel su agenti web, composta da 49 attività e tre tentativi per ciascuna, il tempo mediano di esecuzione di Clover è indicato in 1,52 secondi, contro 3,21 secondi per Jev più Mercury 2.5. Lo stesso resoconto riporta percentuali di successo per tentativo del 98,6% e del 95,9%. Sono risultati dichiarati per quella valutazione, non una garanzia di prestazioni in qualsiasi flusso di lavoro su browser.
21
Le fonti disponibili non confermano una velocità di Clover su una singola H200 né un confronto diretto con la decodifica speculativa DFlash2. È documentata una demo ZeroGPU realizzata dalla community, ma una demo ospitata non equivale a un benchmark. 1
Pesi, licenza e data di rilascio
I pesi ufficiali di Clover sono disponibili sul repository del modello di Hugging Face; DiffuSpace indica anche un repository GGUF ufficiale per l’inferenza locale. 5
6 PC Watch riporta una licenza Apache 2.0 e la disponibilità del codice d’inferenza per Transformers; secondo la stessa testata, il codice di supporto e le istruzioni per SGLang e llama.cpp erano ancora attesi.
17
La data di uscita non è riportata in modo uniforme: PC Watch indica il 28 ottobre, ora cinese, mentre l’articolo di lancio di DiffuSpace su Hugging Face è datato 30 ottobre. 3
17 Le fonti documentano inoltre una demo chat ZeroGPU della community, ma non confermano i dettagli previsti per un’infrastruttura per agenti o un client desktop per il coding.
1
In sintesi
Clover è un tentativo significativo di portare la diffusione a blocchi nel coding e nell’uso di strumenti da parte degli agenti. L’architettura si discosta dalla generazione token per token da sinistra a destra e i risultati dichiarati su benchmark e velocità meritano ulteriori verifiche. Per ora, però, restano preliminari. Serviranno test indipendenti su chiamate agli strumenti valide, recupero dagli errori, completamento di flussi lunghi e latenza complessiva: non soltanto sui token generati al secondo.
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: cosa promette il modello di DiffuSpace e cosa resta da verificare"?
Clover 35B A3B Preview è un modello linguistico a diffusione, a pesi aperti e solo testuale, pensato per coding e agenti che usano strumenti: ha 35 miliardi di parametri totali, circa 3 miliardi attivi per token.
What are the key points to validate first?
Clover 35B A3B Preview è un modello linguistico a diffusione, a pesi aperti e solo testuale, pensato per coding e agenti che usano strumenti: ha 35 miliardi di parametri totali, circa 3 miliardi attivi per token. Genera blocchi di testo con attenzione bidirezionale al loro interno, invece di procedere strettamente un token alla volta.
What should I do next in practice?
DiffuSpace dichiara fino a 680 token al secondo su una singola NVIDIA GB300. Un test separato su agenti web riporta un tempo mediano di 1,52 secondi su 49 attività.