Os modelos de linguagem por difusão passaram quase toda a sua curta história como pequenos sistemas de investigação ou produtos comerciais fechados. A DiffuSpace quer mudar esse quadro. A 30 de outubro, a startup lançou o Clover-35B-A3B-Preview, um modelo de pesos abertos com arquitetura de mistura de especialistas, 35 mil milhões de parâmetros no total e cerca de 3 mil milhões ativos por token, e colocou os pesos no Hugging Face e no ModelScope, com o código no GitHub, sob licença Apache-2.0.
A equipa conhece bem este terreno. Segundo a DiffuSpace, vários dos seus membros desenvolveram o Dream 7B no grupo de processamento de linguagem natural da Universidade de Hong Kong, um modelo de difusão apresentado em abril de 2025 cuja família já ultrapassou 2,7 milhões de descargas no Hugging Face. O Clover é o primeiro modelo do grupo na nova empresa, e o texto de lançamento coloca a questão sem rodeios: saber se a difusão continua competitiva, e mantém a vantagem de velocidade, quando se aumenta a escala.
O Clover não foi treinado do zero. A ficha técnica indica que deriva, apenas para texto, do Qwen3.6-35B-A3B da Alibaba e conserva a estrutura híbrida desse modelo, com camadas Gated DeltaNet e de atenção completa: 40 camadas, 256 especialistas encaminhados, oito por token e um partilhado. As alterações da DiffuSpace visam a difusão em blocos, em que o modelo preenche em paralelo um bloco de tokens mascarados e depois usa o bloco concluído como contexto fixo para o seguinte. O texto anterior fica comprimido no estado recorrente das camadas DeltaNet, os tokens do bloco atual relacionam-se entre si nos dois sentidos e a leitura dessa memória comprimida disputa o mesmo softmax que os tokens do bloco. A empresa refere ainda uma calibração aprendida do tamanho de bloco e um ramo convolucional próprio para o contexto à direita. A janela de contexto chega aos 128K tokens e existe um modo de raciocínio.
Os números de destaque são da própria DiffuSpace. A empresa aponta 73,6 no SWE-bench Verified, 51,7 no Terminal-Bench 2.1 e 65,3 no teste de agentes τ³, à frente dos modelos de difusão LLaDA2.2 flash e Mercury 2.5, da Inception, bem como do Qwen3.6-35B-A3B e do Qwen3.5-35B-A3B na sua comparação. Em provas gerais, indica 83,8 no GPQA Diamond, 95,8 no ZebraLogic e 72,0 no AA-LCR. Quanto à velocidade, diz que o Clover atingiu em média 680 tokens por segundo em cargas internas de agentes numa única NVIDIA GB300, em BF16 e com lote de um pedido, e 515 tokens por segundo numa H200, contra 365 de uma configuração Qwen equivalente acelerada com DFlash2.
As opções de instalação vão além das placas de centro de dados. A DiffuSpace afirma que uma versão INT4 correu numa RTX 5070 Ti com 16GB de memória, chegando a 101,8 tokens por segundo no MATH-500, face a 48,5 nos seus testes com modelos de dimensão semelhante. Os ficheiros GGUF oficiais para llama.cpp vão de 18,24 GiB a 35,26 GiB e aproveitam a própria saída por difusão como rascunho para descodificação autoespeculativa, dispensando um modelo auxiliar. Os pesos completos em BF16 pedem cerca de 69 GB de memória de GPU. O repositório no GitHub avisa que o código e os guias para SGLang e llama.cpp ainda vão ser acrescentados.
O anúncio deixa também pistas sobre os próximos passos. A DiffuSpace descreve um modelo de decisão baseado no Clover com um Joint Mode que responde até oito perguntas relacionadas numa só passagem de remoção de ruído e garante que superou o Jev, da TypeSafe, num conjunto interno de juízos interligados de tipo jurídico; esse modelo ainda não foi publicado. A empresa diz estar a desenvolver um sistema de execução de agentes e um cliente de programação para computador, e apresentou a SigmaZ como parceira na área da educação, com uma versão beta fechada.
O interesse inicial existe, mas é contido: a 30 de outubro, a página principal do modelo registava perto de 1500 descargas e 164 gostos. Nenhum dos valores de desempenho ou velocidade foi confirmado por terceiros, vários assentam em cargas internas e a designação Preview indica que a DiffuSpace conta fazer alterações. Ainda assim, o Clover põe nas mãos dos programadores um modelo de difusão com licença aberta numa escala que, até agora, só se encontrava em APIs fechadas, o que o torna um teste concreto à utilidade da descodificação paralela em ciclos de agentes.