主流大模型写文章的方式，长期以来几乎只有一种：逐字预测下一个词，一个字一个字往后接。10月28日，深圳扩散智能发布并开源350亿参数模型Clover，给出了另一种答案：它不逐字生成，而是在多个位置并行补全内容，再经多轮迭代逐步成文。这一技术路线的变化，看似只是生成方式的不同，实际上关系到模型如何理解全文结构、如何修改自己的输出，值得认真关注。

要理解Clover的特别之处，可以先回到逐字生成的逻辑。逐字生成的好处是直观、易于训练，模型只要学会根据前文预测下一个词，就能一路写下去；但它的局限也很明显：一旦前面的词已经写定，后面的内容就很难回头修正，模型在动笔之初就要对全文走向做出判断，写长文时尤其容易出现前后不一致或越写越偏的情况。相比之下，并行补全的思路更像人类的写作习惯：先搭出一个大致的框架，再在多个位置同时填充内容，随后反复打磨、逐步成文，允许在迭代中修正先前写下的内容。

Clover所采用的扩散式生成，正是这种思路的技术化表达。模型不再把写作看作一条单向的链条，而是看作一个从粗糙到精细的演化过程：在多个位置并行补全内容，意味着模型可以在同一轮中兼顾不同段落之间的关系；多轮迭代逐步成文，则意味着输出结果有机会经过反复修正，而不是一次定型。这种机制对于需要整体结构、逻辑连贯和风格统一的长文本写作，可能具有天然的优势，因为它让模型在生成过程中始终保有对全文的把握，而不是只盯着眼前的一个词。

从开源的角度看，350亿参数规模的模型选择开源，同样具有实际意义。参数规模决定了模型的运行门槛与能力上限，而开源则决定了有多少研究者和开发者能够真正拿到它、测试它、改进它。对于扩散式文本生成这样一条相对新颖的技术路线来说，开源的价值尤其突出：只有当更多人能够复现、对比和改进，路线本身的优缺点才能被充分验证，相关的工具链与应用实践也才能逐步成熟。Clover的发布，因此不仅是一个模型的亮相，也是一次面向社区的技术验证邀请。

这种生成方式对使用体验也可能带来直观的变化。在逐字生成的模式下，用户往往只能等待模型从头写到尾，中途想要调整某个段落的方向并不容易；而在并行补全、多轮迭代的模式下，理论上存在更多介入和修正的空间：框架可以先定下来，细节可以逐轮填充，局部的修改也不必推倒全文重来。当然，这些可能性最终能在多大程度上转化为实际产品体验，还取决于具体的工程实现与交互设计，但生成范式本身的变化，确实为产品形态的创新留出了新的余地。

对行业而言，Clover的另一层意义在于验证成本的分担方式。任何新范式在早期都不可能由一家机构独自把所有问题回答清楚，开放出来、让更多团队在各自场景中试用，是最有效的验证方式。不同团队会遇到不同的边界情况，可能是某种文体下的连贯性问题，也可能是特定任务中的效率瓶颈，这些反馈汇聚起来，才能拼出这条路线真实的能力图谱。开源在这里不只是分享成果，更是一种把验证工作众包给整个社区的机制。

当然，一条新路线的成熟同样需要时间。并行补全与多轮迭代在推理效率、质量控制和应用适配方面会遇到哪些具体挑战，不同任务场景下的表现如何，都需要在真实使用中逐步回答。但至少从方向上看，Clover提供了一个有意义的对照：文本生成不只有逐字预测一种范式，扩散式生成同样可以成为值得探索的选择。这种范式的多样性，对整个行业而言是健康的，因为它意味着技术演进不必被锁定在单一路径上。

文末来源：21世纪经济报道，2026年10月28日发布。