搜索
10月9日，投中网独家获悉，扩散智能DiffuSpace（下称“DiffuSpace”）已连续完成两轮融资，由经纬创投、顺为资本、君联资本联合领投，中科创星、华为哈勃、地平线等跟投，总金额达数亿元，创下全球扩散语言模型（dLLM）最大规模融资纪录。
资料显示，DiffuSpace团队研发的Dream 7B在全球扩散语言模型中居于领先位置，部分能力可比肩
据了解，DiffuSpace目前正在训练新一代、更大参数规模的扩散语言模型，计划于近期发布并开源。
DiffuSpace由香港大学NLP实验室联合主管孔令鹏教授与香港大学在读博士龚珊三、叶佳成等成员，于2026年5月在深圳联合创立。早在2022年，公司核心团队便开始研究扩散语言模型，是全球最早系统探索这一技术路线的团队之一。
从创业第一天起，DiffuSpace就明确选择了不同于GPT、Claude等主流自回归模型的技术路径——扩散语言模型。自回归模型的生成方式像“逐字口述”，从左向右逐个生成Token；扩散语言模型则先处理整体，再逐步补全细节，能够同时生成多个位置的内容，并反复修正已有内容。
2026年以来，扩散语言模型的发展正在提速：前8个月，相关论文数量已达到2025年全年的2.4倍；Google在Gemini Diffusion基础上进一步推出开放模型DiffusionGemma，Inception持续迭代Mercury系列模型，蚂蚁集团也推出了LLaDA 2.2。
华为、地平线加持，深圳跑出大模型新玩家
DiffuSpace要做的事，本质上是挑战大模型行业沿用了多年的底层生成方式。
这并非他们的突发奇想，而是经过长期研究的选择。当主流大语言模型已经普遍采用自回归架构时，这种一个Token接一个Token向后生成的模式，也存在绕不开的短板。
自回归模型的局限并不难理解。一来，自回归模型只能从左往右生成，遇到需要全局考量的任务，很容易只顾眼前一步，陷入局部最优；二来，每生成一个Token都要等前文全部写完，这也拖慢了自回归模型整体的生成速度。
寻找解法的过程中，对科研感兴趣的龚珊三与孔令鹏结缘，最终为两人未来踏上创业之路埋下伏笔。
本硕从上海交通大学毕业后，龚珊三来到上海AI Lab，并加入了曾在DeepMind工作过的孔令鹏组建的NLP团队，于2022年开始研究扩散语言模型。此后，龚珊三成为孔令鹏的学生，目前进入在香港大学读博的最后一年。
在他们看来，扩散模型有自回归模型没有的优势：已经生成的内容可以修改，同时生成任意位置时能够参考更完整的上下文，而计算资源也可以更多地分配给难度更高的部分。
孔令鹏用一个简单例子解释两种训练逻辑的差别：“自回归模型看到‘1、2’后，只需要预测下一个数字‘3’，同时只能逐次预判后续单个内容；扩散模型则更像拿到一串缺失了多个位置的序列，同时补全这些空缺，并在不同位置之间相互校正。”
那时摆在团队面前的第一个问题，并非模型能做多大，而是扩散模型能不能真正用于语言。图像可以被处理为连续信号，语言却由离散Token组成，一句话还要同时满足语法、语义和上下文关系。
图像领域已经跑通的方法不能直接照搬，也意味着如果要走另一条与主流不同的技术路线，首先需要证明扩散语言模型本身能够稳定工作。
随着扩散模型相关论文的发布，他们首次验证了扩散语言模型技术路径的可行性。到了2023年，团队便搭建了一套完整的、适配离散语言信号的扩散模型训练范式，为后续模型缩放迭代打下基础。
2025年4月发布的Dream 7B，成为这条路线上的一个分水岭。70亿参数，意味着团队的研究已经从早期实验走到大模型量级。当时，Dream 7B在数学、代码、规划等任务上全面超过同参数规模自回归模型，部分指标甚至比肩
随着Dream 7B获得全球认可，扩散智能DiffuSpace应运而生。他们的想法很明确，把重心放在扩散语言模型上，将DiffuSpace打造成一家探索自回归之后下一代基础模型架构的AI公司。
这条赛道的创业玩家极少，核心原因是赛道技术门槛极高、落地难度极大。扩散语言模型并非在现有大模型上的局部优化，而是涉及生成范式、训练方法、推理系统乃至底层基础设施的一系列变化。要从论文走向大规模模型训练，需要算法、数据、训练和推理能力同时推进。
目前，包括孔令鹏和龚珊三在内，DiffuSpace的核心成员主要来自香港大学、北京大学、清华大学等知名高校及一线模型公司。这支从2022年就开始深耕扩散语言模型的团队，已打造覆盖“算法-数据-训练-推理”的完整扩散语言模型系统。
从港大实验室走向创业，DiffuSpace也把公司落在了深圳。在他们看来，深圳完整的芯片、汽车、机器人和智能终端产业链，为这条模型路线的发展提供了肥沃的产业土壤。
他们的实力也吸引了众多投资人。于是我们能看到，成立不到半年，DiffuSpace便连续完成两轮融资，从经纬创投、顺为资本、君联资本、中科创星、华为哈勃、地平线等手中拿到数亿元。
探索AGI边界，dLLM进入Scaling时刻
从Dream 7B发布，到应用场景的探索，再到两轮融资相继落地，DiffuSpace的技术迭代与资本节奏几乎同步向前，速度也在不断加快。
在发布并开源后，Dream 7B模型在HuggingFace累计下载量超过250万。而他们今年内计划发布的全新模型，将进一步扩大参数规模，同时会针对性适配代码Agent、智能推理等复杂任务。
模型向更大参数规模推进，并不是单纯追求一个更大的数字。不同规模的模型对应不同部署条件，较小模型更适合端侧设备和具身智能等对延迟敏感、需要本地部署的场景，而更大模型则面向办公、代码开发以及更复杂的科研计算。
随着模型参数规模的持续扩大，DiffuSpace的目标是，找到最合理、最高效的通用智能生成逻辑，从而突破现有大模型的能力边界。
不过能否实现这个目标，模型效果是一个关键的指标。通用的评判标准是，效率看生成速度和TPS（每秒生成的Token数量），而准确率看各类下游任务的精度和综合表现。
“在保证高精度的前提下，扩散语言模型能够实现高效生成。”据龚珊三透露，“测试结果显示，在同等显卡、同等生成长度、单用户单次查询的条件下比较TPS，DiffuSpace的扩散语言模型的推理速度约为主流自回归模型的10倍。 ”
结合模型优势，代码生成、具身智能、自动驾驶等成为DiffuSpace优先布局的方向。三类任务看似不同，却有一个共同点——解决问题的顺序并不总是天然从左到右，也往往需要同时考虑更长范围的约束。
代码生成排在最前。真实的编程过程很少是从第一行一路顺序写到最后一行，开发者会先搭结构、再补细节，也会在不同位置之间反复修改。而扩散语言模型的全局生成和并行生成能力，正好能用更灵活的顺序处理代码。
其次是具身智能，扩散语言模型可以全局控制一整套动作序列；最后是自动驾驶，这个场景对延迟最敏感，扩散语言模型生成快的优势能直接派上用场。
2026年9月，DiffuSpace与亚洲智能体计算平台公司Acrab达成合作，双方围绕端侧Agent进行了系统级协同适配。测试显示，在特定条件下，通过dLLM的并行生成和全局建模能力，端侧Agent运行速度可提升5倍。
对于DiffuSpace而言，自身的实力仍有待市场进一步检验：在代码方向，模型在不同位置之间反复修改的能力要能够稳定进入实际使用；在具身智能和自动驾驶方向，更长动作序列里的全局规划和动态修正也需要继续验证。
不容忽视的是，自回归模型并没有停在原地。主流模型仍在通过扩大参数、改进推理和训练方法提升能力上限。
对此，DiffuSpace没有显得过分担心。在他们看来，任何技术都存在边际效应，对于那些不适合严格从左到右建模的任务，自回归模型若想达到扩散语言模型的类似效果，需要付出更多的计算和数据成本。
“从底层原理来看，扩散语言模型是自回归模型的广义升级版，完全包含自回归模型的所有能力。扩散语言模型可以通过规则约束退化成为自回归模型，当扩散语言模型的技术体系、算法迭代足够完备后，无需单独保留自回归模型的技术体系。”龚珊三认为，未来大概率出现两种局面：一是扩散语言模型全面替代自回归模型，成为行业主流范式；二是两类模型依托各自优势，长期并存、适配不同场景。
在更长期的规划里，DiffuSpace把自己定义为“智能生产商”，通过持续实现AI技术突破，探索通用人工智能的边界，将顶尖的AI能力赋能各个行业，“我们希望成为一家顶尖、有善意、有技术美感的智能生产企业。”
