拡散言語モデルがエージェント領域に参戦、Clover-35Bは比較対象の2倍速

画像生成でおなじみの拡散方式が、コードを書き、ページを操作し、ツールを呼ぶエージェント業務に進出した。香港大学発のスタートアップ・拡散智能が公開したのは、総パラメータ35Bの拡散言語モデルClover-35B-A3B-Previewである。Webエージェント評価WindTunnelの49タスクで中位実行時間1.52秒と、Jev＋Mercury 2.5の3.21秒の半分以下を記録した。

ブロック拡散で並列生成する仕組み

自己回帰型が語を一つずつ連ねていくのに対し、Cloverはブロック拡散を採る。生成内容を塊に分け、塊の間は順に進めつつ、塊の内側では複数の位置を並行に更新して相互参照する。過去の履歴はゲート付きDeltaネットワーク（GDN）を再構成した仕組みで圧縮され、常に更新される状態として読み出される。履歴の読み出しを独立の情報単位にし、現在のトークンとともに注意計算へ参加させる点が特徴で、塊が大きくなったときに前文の情報が薄まる問題を学習可能な調整で抑える。

公開の実演では、太陽系シミュレータの生成に思考約1秒＋出力4〜5秒、履歴書データのLaTeX化は十数秒とされる。数値はいずれもチーム側の演示に基づくが、速度を商品の軸に据える姿勢は明確だ。

ツール呼び出しの連続動作を安定させる

拡散方式の弱点はエージェント業務だった。ツール呼び出しの形式が崩れる、同じ手順で繰り返し失敗して戻り値を活かせない、といった不安定さが指摘されてきた。CloverはWebMCPを通じた6連続のタスク（請求書の発行、講座の登録、金額の集計、状況の確認、顧客情報の照会）を通し、買い物の場面では指定の色とサイズのTシャツを探して訪客情報の入力、テスト決算までを完走させた。

数値でも、ツール使用のτ³ Overallで65.3、BFCL-v4で67.9、コードのSWE-bench Verifiedで73.6、Terminal-Bench 2.1で51.7を公表している。Google Gemini 3.6 Flashとの比較動画では連続タスクの所要でも差がつけられたと主張する。検証は今後、第三者の利用を待つ段階だ。

Dream 7BからCloverへの2年半

チームの系譜は2022年のDiffuSeqに遡る。離散的な自然言語に、画像向けの拡散手法をどう適用するかという研究から始まり、2025年4月に70億パラメータのDream 7Bで汎用・数学・コードの各課題を同規模の自己回帰型と比較可能な水準へ押し上げた。今回のCloverで総パラメータは35Bへ拡大し、MoE構成で1トークンあたりの活性は約3Bである。多モーダル版と端末側への展開、外部パートナーAcrabとのシステム適合の検証も計画に並ぶ。

自己回帰型が標準だった言語生成に、並列性という別の軸が実用レベルで迫った意義は大きい。速度を最重視する用途では、モデル選定の選択肢が一つ増えたことになる。

よくある質問

Q. 拡散言語モデルとは何か。
自己回帰型が前の語から次の語を一つずつ生成するのに対し、拡散言語モデルは複数の位置を同時に更新し、数回の精緻化を経て結果を確定させる方式である。遮られた部分を周辺から復元するように文章を整えるため、並列性により待ち時間を減らせる可能性がある。

Q. Cloverの成績はどの程度か。
チーム公表値では、ツール使用のτ³ Overallで65.3、BFCL-v4で67.9。コードではSWE-bench Verifiedで73.6、Terminal-Bench 2.1で51.7。WindTunnelの49タスクで中位実行時間1.52秒、試行成功率98.6%とされる。

編集部の見解

日本の業務でAgentを採る場合、体感速度は継続利用の分かれ目になる。対話型の支援なら自己回帰型で足りるが、画面操作を連続で任せる場面では1秒と数秒の差が離脱率に直結する。拡散方式がツール呼び出しの安定性まで届いたのか、公開後の第三者検証で確認する価値がある。

my-best.ai 編集部

出典：36Kr「拡散モデルがエージェントの本拠地に突入、350億パラメータで速度はJevの2倍」（寄稿：量子位、2026年10月28日）

あわせて読みたい

• Google DeepMindの世界モデルGenie 4、音声生成と2分間の実時間対話
• Claude Codeが専門家の判断を静かに変える、Anthropic対照実験の86%
• AI歴史ドラマ『持械入宋』が累計再生40億回、短劇の新たな勝ち筋

本日の36Kr AI版の記事を日本語で整理したものです。最新記事の一覧から他のニュースも読めます。