扩散智能拿到数亿元融资，资本押注的是大模型行业一条尚未成为主流的技术路线。
10月9日，公开融资信息显示，扩散智能DiffuSpace已连续完成两轮融资，合计金额达数亿元人民币，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。
但是各轮具体金额及公司估值尚未披露。
这家今年开始公司化运作的企业，来自香港大学自然语言处理（NLP）实验室团队。孔令鹏与龚珊三、叶佳成等成员联合创业，把公司落在深圳，主攻扩散语言模型，简称dLLM。其官网将公司的目标表述为探索自回归之后的新一代基础模型。
孔令鹏是港大计算机科学系助理教授、NLP实验室联合主管，2017年取得卡内基梅隆大学博士学位，此后在谷歌DeepMind担任研究科学家，2020年加入港大。他长期研究自然语言处理、机器学习和生成模型。
两位联合创始人也有明确的研究积累。龚珊三本硕毕业于上海交通大学，目前在港大读博，导师为孔令鹏；叶佳成本科毕业于中山大学、硕士毕业于复旦大学，在港大研究扩散语言模型、复杂推理和长期规划，是Dream 7B的共同第一作者之一。
公司的历史很短，团队在这条路线上的研究已有数年。2022年10月，龚珊三、孔令鹏等人公开DiffuSeq论文，探索用扩散模型完成序列到序列文本生成，相关成果后来发表于ICLR 2023。
扩散语言模型与主流大模型的差别，首先体现在内容怎样生成。
自回归模型通常从左往右，一个接一个生成Token，即文字片段。扩散语言模型可以同时处理多个位置，通过多轮迭代补全、调整内容。已经生成的部分也可以继续修改，模型不必始终按照从头到尾的顺序作答。谷歌在介绍Gemini Diffusion时，也将生成过程中的纠错和整块内容生成列为这类模型的特点。
这使它有机会更灵活地处理代码填补、多重约束和规划任务。一段代码可以先形成结构，再补上不同位置的细节；一个需要满足多项条件的答案，也可以在生成过程中反复调整。不过，生成方式的改变能带来多大收益，仍要由具体任务的结果衡量。
团队的代表成果是2025年发布的Dream 7B，一个70亿参数的扩散语言模型，由港大与华为诺亚方舟实验室联合推出。按照研究团队公开的评测，它在通用、数学和代码任务上达到或超过部分同规模自回归模型，并在规划测试中表现出优势。
融资官宣消息中提到的“部分能力比肩DeepSeek V3”，对应数字运算游戏、数独等规划评测。特定任务上的成绩，尚不足以说明两者整体能力相当。
Dream 7B以Qwen2.5-7B权重作为初始化，再进行扩散模型训练。研究团队利用已有语言知识，降低训练开销，同时改造模型的生成机制和训练方法。
速度是扩散智能希望向产业客户证明的另一项价值。据龚珊三披露，在同等显卡、同等生成长度、单用户单次查询的条件下，团队模型每秒生成Token的速度约为主流自回归模型的10倍。比较对象的具体版本及完整测试细节，报道未作展开。
扩散模型可以通过减少迭代步数提高速度，但速度和质量之间存在取舍。Dream 7B的公开研究明确指出，步数较少时生成更快、结果更粗略，增加步数则需要更多计算。对于实际应用，企业需要比较同等质量要求下的响应时间和部署成本。
扩散智能面对的竞争已经超出高校实验室。谷歌推出了Gemini Diffusion，美国Inception持续开发Mercury系列，并在2025年11月宣布获得5000万美元种子轮融资。这条路线已经吸引科技大厂和创业公司的投入。
对扩散智能而言，深圳的吸引力在于产业距离更近。团队在公开报道中提到，当地的芯片、汽车、机器人和智能终端产业链，是选择创业地点的重要考虑。模型的生成效率能否转化为产品优势，需要与硬件平台一起验证。
今年9月1日，扩散智能与端侧计算平台公司Acrab宣布合作。双方官网披露，Dream 7B已在Acrab平台完成验证，通过模型并行解码与计算平台的协同，端侧智能体性能最高可提升5倍，目标应用包括AI PC、智能汽车、机器人及智能家居。这里的“端侧”，指模型在本地设备上运行。
双方披露的5倍提升属于平台适配结果，与前述10倍Token生成速度的测试口径不同。对于汽车和机器人应用，这类合作首先要完成的是模型在具体硬件上稳定运行，以及计算、内存和响应时间能否满足产品要求。
机器人方向也已有研究成果。2025年底，团队公开Dream-VL和Dream-VLA，后者将视觉、语言与动作生成结合起来，用于机器人操作任务。研究团队已发布模型和训练代码，并给出仿真测试及现实操作实验。扩散智能进入具身智能领域，有此前的模型研究作为起点。
从已披露的信息看，扩散智能仍在推进模型训练和平台适配。汽车量产定点、机器人客户订单及收入规模，尚缺少公开数据。
按照已披露的安排，公司将继续投入基础设施研发和垂直场景适配，同时训练更大参数规模的新一代扩散语言模型，计划近期发布并开源。
(责任编辑：徐自立)