- 杀入Agent主场之后:两年内部分替代自回归,扩散智能的底气从何而来?| 专访
- 阿里巴巴两篇论文获 ATC 2026 最佳论文奖,并在港研讨 AI Native 系统的可靠性与效率
- 巽霖科技深耕玻璃基板技术,切入半导体先进封装万亿赛道
📥 Tech News
杀入Agent主场之后:两年内部分替代自回归,扩散智能的底气从何而来?| 专访

扩散智能开源 350 亿参数的扩散语言模型 Clover-35B-A3B,在技术报告所列的七项 Agent 指标上均领先同规模自回归模型,Token 生成速度达同级自回归模型的 5-10 倍,首席科学家龚珊三坚持未来一到两年扩散模型将在部分场景替代自回归模型。
- 架构上 Clover 采用分块扩散降低长序列开销:块内并行生成 Token、历史内容通过 KV Cache 复用,并将 Gated DeltaNet 双向改造为 BD-GDN,与 Full Attention 按 3:1 混合重复十次;
- 评测成绩:SWE-bench Verified 达 73.6、Terminal-Bench 2.1 达 51.7;实际任务中浏览器操作测试以 13 步 169.9 秒完成(对照组 21 步 392.3 秒),但在 HLE 等高难度测试中表现较弱,主要归因于训练数据不足;
- 团队同步展示联合决策模型:利用双向生成让多个关联判断在一次生成中相互参照,验证集中整组全对率比独立逐题预测高 11.6 个百分点,适用于机器人实时决策等场景;
- 模型复用 Qwen3.6-35B-A3B 预训练能力进行扩散适配以降低成本,已支持 SGLang、llama.cpp,可在 RTX 5070 Ti 上实现 97-106 Tokens/s 的端侧推理;当前最大制约是软硬件生态围绕自回归架构构建,基础设施需自建,全局规划能力也仍受分块机制限制。
阿里巴巴两篇论文获 ATC 2026 最佳论文奖,并在港研讨 AI Native 系统的可靠性与效率

阿里巴巴在 ATC 2026 斩获两项最佳论文奖,并在香港举办论坛,与上海交大、港科大等高校学者共同探讨 AI Native 系统在生产环境下的可靠性与效率。
- 获奖论文《Model-as-a-Service in the Wild》基于十万卡级平台真实数据,揭示显存预留与实际使用不匹配等问题,为精细化资源管理提供依据;《Lean》通过 SRv6 实现应用与网络基础设施协同设计,显著降低对象存储网络成本。
- 系统会场聚焦 MaaS 资源调度、推理引擎优化与 Agent 运行时可靠性;模型会场讨论评测可信性,指出公开基准中高质量者稀少,开源评测集普遍存在错题与数据污染。
- 现场讨论强调研究必须基于真实生产约束、结论需在实际负载中验证,学界与业界在调度、训练效率、运行时正确性等方面存在广泛合作空间。适合关注 AI Infra 与大规模推理系统的读者。
巽霖科技深耕玻璃基板技术,切入半导体先进封装万亿赛道

巽霖科技创始人甄真父子凭借玻璃镀铜技术积累切入半导体先进封装领域,成为玻璃基板赛道先驱,获豪威集团等产业资本支持,有望为下一代 AI 芯片规模化生产提供关键材料支撑。
- 玻璃基板具有更高平整度、更好导热性和更低介电损耗,可解决树脂基板在超大规模集成电路中的变形、发热与信号衰减问题,被视为实现万亿级晶体管封装的必要条件,摩尔定律逼近物理极限后封装成为主战场。
- 公司从 PVD 涂层积累出发攻克玻璃镀铜工艺难点,逐步补齐打孔、填孔、键合等工序,形成完整生产能力并通过产业方技术验证;创始团队曾卖两套房投入千万开发产线。
- 商业化仍面临产业链不完备、良率低、客户验证周期长等挑战;公司策略为先以显示端业务积累现金流,再向高毛利半导体基板业务转型,并与设备商、封装厂联合研发推动产业化。