Clover : une IA qui écrit par blocs se dit deux fois plus rapide en agent

Les assistants IA les plus connus écrivent mot après mot, comme une machine à écrire. Une équipe liée à l’Université de Hong Kong propose l’inverse : Clover, un modèle qui construit sa réponse par blocs et qui serait deux fois plus rapide qu’un système concurrent pour piloter des agents, selon le média chinois 量子位 (QbitAI). Reste à savoir si cette vitesse tient hors des démonstrations.

Écrire mot à mot ou affiner d’un coup

Ce qui est en jeu : le temps d’attente devant un assistant qui « réfléchit ». Il vient en grande partie de la façon dont le texte est produit.

Les modèles de langage classiques sont dits « autorégressifs ». Ils prédisent le prochain token (un morceau de mot, à peu près un demi-mot) à partir de tout ce qui précède, puis recommencent pour le suivant. 量子位 compare cela à un jeu de « mot après mot », où chaque élément attend le précédent.

La diffusion fonctionne autrement. Cette technique est surtout connue des générateurs d’images : on part d’un contenu brouillé et on le rend progressivement net, comme une photo floue qui gagne en précision. Appliquée au texte, elle consiste à restaurer étape par étape des passages masqués ou perturbés, en tenant compte du contexte. Plusieurs positions du texte sont mises à jour en même temps, puis affinées en plusieurs tours.

Clover utilise une variante appelée « diffusion par blocs ». Le contenu à produire est découpé en blocs. Les blocs avancent l’un après l’autre, mais à l’intérieur d’un bloc, plusieurs positions sont calculées en parallèle et se consultent mutuellement.

En clair : au lieu d’écrire un mot à la fois, le modèle écrit un petit paragraphe d’un coup, puis passe au suivant. Le gain de temps n’est pas garanti : la diffusion demande souvent plusieurs tours d’affinage. Trop peu de tours et le résultat est mal ajusté ; trop de tours et le calcul coûte plus cher. Tout l’enjeu est de trouver le bon équilibre.

Clover : 35 milliards de paramètres, 3 milliards actifs

Ce qui est en jeu : savoir si une technique née dans l’image peut faire un vrai travail d’assistant, pas seulement des démonstrations.

Le modèle s’appelle Clover-35B-A3B-Preview. Les « paramètres » sont les réglages internes d’une IA ; plus ils sont nombreux, plus le modèle est en général capable, mais coûteux à faire tourner. Clover en compte 35 milliards au total. Il repose sur une architecture dite « MoE » (mélange d’experts) : à chaque token, seule une fraction du modèle travaille, ici environ 3 milliards de paramètres. Il propose aussi un mode « réflexion ».

Pour situer la taille, la source offre un repère interne : le précédent modèle de l’équipe, Dream 7B (avril 2025), comptait 7 milliards de paramètres. Clover est donc cinq fois plus gros. D’après 量子位, sa vitesse n’a pas baissé avec cette montée en taille, et il dépasserait des modèles autorégressifs de même taille. La source ne détaille pas ces comparaisons.

Le projet vient de la start-up Diffusion Intelligence (扩散智能, nom donné par la source), fondée par le professeur Kong Lingpeng de l’Université de Hong Kong et deux de ses doctorants. L’équipe travaille sur la diffusion pour le texte depuis 2022, avec un premier modèle nommé DiffuSeq.

Les scores avancés par l’équipe portent sur l’usage d’outils et le code :

• 65,3 au test τ³ Overall et 67,9 au test BFCL-v4, deux évaluations de l’utilisation d’outils ;
• 73,6 à SWE-bench Verified, qui mesure la résolution de problèmes dans de vrais dépôts de code ;
• 51,7 à Terminal-Bench 2.1, centré sur l’exécution de tâches dans un terminal.

Selon 量子位, les deux premiers résultats placent Clover « parmi les premiers ». La page ne fournit pas le tableau de comparaison complet : ces nombres seuls ne disent donc pas où se situent les concurrents.

En clair : Clover se présente comme un modèle de taille moyenne qui s’attaque aux tâches de code et d’outils, là où les modèles de diffusion étaient jusqu’ici jugés peu fiables.

« Deux fois plus rapide que Jev » : que mesure ce chiffre ?

Ce qui est en jeu : une revendication de vitesse n’a de valeur que si l’on sait ce qui est comparé et par qui.

Le chiffre vedette vient d’un test de navigation web appelé WindTunnel : 49 tâches, chacune tentée trois fois. Le temps d’exécution médian (la valeur du milieu, moins sensible aux cas extrêmes) est de 1,52 seconde pour Clover. La combinaison Jev + Mercury 2.5 en affiche 3,21. Le rapport est d’environ 2,1, ce qui justifie le « deux fois plus rapide » du titre de 量子位.

Que sait-on de Jev ? Peu de chose. La page le présente comme un système récent « axé sur la prise de décision rapide ». Elle ne précise ni qui l’a conçu ni comment il fonctionne, et n’explique pas non plus ce qu’est Mercury 2.5. La comparaison oppose donc un modèle unique à une combinaison de deux éléments, dont la page ne détaille aucun.

D’autres éléments restent des démonstrations. Dans une vidéo comparative, Clover finirait une série de tâches bien avant Gemini 3.6 Flash, selon 量子位. Le journaliste dit aussi avoir testé lui-même le modèle : un simulateur du système solaire interactif en 4 à 5 secondes, un CV mis en forme en code LaTeX en une dizaine de secondes. Ce sont des essais ponctuels, pas des mesures contrôlées.

Plusieurs questions restent ouvertes. Un temps médian ne dit rien du taux de réussite. Il ne dit pas non plus si les tâches du test ont été choisies par l’équipe, ni si un tiers a reproduit la mesure. La source ne mentionne aucune vérification indépendante.

En clair : l’écart de vitesse est annoncé par l’équipe et relayé par un média, sur un test précis. Il est intéressant, mais pas établi.

Ce qu’un agent plus rapide changerait

Ce qui est en jeu : pour un salarié ou une petite entreprise, un agent est une IA qui enchaîne des actions (ouvrir une page, lire un résultat, remplir un formulaire) au lieu de répondre à une seule question.

Chaque étape suppose une attente. Plus les étapes s’additionnent, plus les secondes pèsent. La démonstration de Clover enchaîne six tâches via WebMCP, une façon de laisser l’IA utiliser des outils : établir une facture, inscrire quelqu’un à un cours, additionner des montants, consulter le statut d’un événement, retrouver une fiche client et une fiche de facture. Dans un autre scénario, il achète un T-shirt noir en taille L sur un site de test, jusqu’à un paiement simulé.

Si la vitesse se confirme, l’effet le plus visible serait celui du confort : moins d’attente, donc un agent qu’on laisse travailler pendant qu’on fait autre chose, ou qu’on relance plus souvent. Mais la page ne parle pas du coût d’usage. Une réponse plus rapide n’est pas forcément moins chère, et rien dans la source ne permet de le dire.

La fiabilité compte autant. 量子位 rappelle que les modèles de diffusion se montraient jusqu’ici fragiles en mode agent : erreurs de format dans les appels d’outils, tentatives répétées sur une même étape sans tenir compte du retour. Clover est présenté comme un progrès sur ce point, mais cela reste à vérifier sur des tâches réelles, avec des données d’entreprise.

En clair : un agent rapide qui se trompe ne fait gagner du temps à personne. La vitesse n’a de sens que si la qualité suit.

Ce que la source ne dit pas

Ce qui est en jeu : distinguer ce qui peut être testé dès maintenant de ce qui relève de la feuille de route.

Clover est une préversion, comme l’indique son nom. 量子位 donne un lien d’inscription à une plateforme d’essai (diffuspace.ai), sans dire si les poids du modèle seront publiés ni à quelles conditions il sera accessible. Les résultats détaillés, les conditions exactes des tests et la qualité des réponses sur des tâches longues ne sont pas fournis.

L’équipe annonce une version multimodale (texte, image et plus), des modèles plus grands, une meilleure stabilité sur les tâches longues et des déploiements sur appareils locaux, avec un partenaire nommé Acrab pour les essais matériels. Ce sont des intentions, pas des résultats.

Clover n’est pas seul sur cette piste. 量子位 cite ELF, un travail auquel participe He Kaiming, qui génère du langage dans un espace de représentations continues, et DiffusionGemma de Google, qui explore la génération de texte en parallèle. Les approches diffèrent. L’article laisse entière la question de fond : la diffusion peut-elle rivaliser avec l’écriture mot à mot sur la qualité, pas seulement sur la vitesse ?

Pour se faire un avis, le plus simple est de comparer, sur ses propres tâches, le temps de réponse et le taux de réussite, pas l’un sans l’autre.

Sources

• 刚刚，扩散模型杀进Agent主场！350亿参数，速度比Jev快一倍 – 量子位