独家｜深圳DiffuSpace5亿元融资刷新全球扩散语言模型融资纪录，华为、地平线押注其中

10月9日，扩散智能DiffuSpace已于近期连续完成两轮融资，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、地平线等机构跟投。

DiffuSpace尚未对外披露具体融资金额，但我们从相关投资方独家获悉，DiffuSpace两轮融资金额总计近5亿元，刷新了全球扩散语言模型（dLLM）领域融资规模纪录。

在自回归模型仍主导大模型行业的当下，DiffuSpace选择了一条前沿却更“非共识”的路线——以扩散语言模型为核心，打造下一代基座模型。而华为哈勃、地平线等产业资本的入局，或让外界开始进一步审视扩散语言模型的产业化前景。

我们还获悉，DiffuSpace正在推进新一代更大参数规模dLLM的训练，并计划于近期发布并开源。

华为、地平线押注扩散模型

DiffuSpace由香港大学NLP实验室联合主管孔令鹏教授及其博士生龚珊三、叶佳成联合创立，核心团队长期深耕扩散语言模型研究，是全球最早探索该技术路线的团队之一。

此次融资中，华为哈勃与地平线作为产业资本出现在跟投名单中，引人关注。

华为近年来持续布局基础模型与AI算力生态。值得一提的是，DiffuSpace的前身——香港大学NLP实验室2025年时曾与华为诺亚方舟实验室联合推出Dream系列模型，让扩散语言模型首次在通用能力与推理能力上逼近同量级的自回归模型。

与华为的这段联合开发经历，也为DiffuSpace后来的创立奠定了技术基础。此外，华为相关研发团队已推出基于盘古模型的扩散语言模型研究项目，探索dLLM在Agent场景中的应用，同时推进GenLLM等相关技术探索，持续关注生成式模型架构演进。

目前虽然没有公开信息表明DiffuSpace与地平线存在战略合作或联合研发关系，但双方在“扩散模型”这一底层技术范式上也有交汇。

地平线在自动驾驶和机器人领域广泛应用扩散模型技术，例如其参与提出的DIVER框架，就将扩散模型与强化学习结合用于端到端自动驾驶规划。另外，它还从智能驾驶芯片向整车智能体计算平台拓展。

今年4月，地平线正式发布舱驾融合整车智能体芯片星空系列及整车智能体操作系统KaKaClaw。随着车载芯片算力不断提升，复杂 AI 模型在车端运行成为新的产业方向，也为车载 Agent 的发展打开了空间。

相比依赖云端，端侧Agent在成本、响应速度、弱网环境可用性及数据隐私等方面具备优势。扩散语言模型所具备的并行解码、全局建模与迭代修正能力，为车载复杂任务规划及多模态交互提供了新的技术选择。

DiffuSpace的核心优势恰好集中在扩散语言模型，此前，我们独家报道了DiffuSpace与亚洲智能体计算平台公司Acrab开展端侧Agent系统级协同适配，实现5倍运行速度提升。而今，除了与芯片厂商探索下一代AI计算架构，更多与模型开发和应用场景相关的方面展开投资合作，或为扩散语言模型从实验室研究走向具体产业应用开辟了通路。

中国版LM走到台前

龚珊三介绍，DiffuSpace团队早在2022年时就推出了DiffuSeq，率先将扩散模型系统引入序列到序列条件文本生成，该成果后被国际学习表征会议（ICLR，是深度学习领域的顶级学术会议）在2023收录，成为早期条件式文本扩散领域的代表性工作。

2023年，团队又围绕离散信号建模展开研究，为领域后续发展奠定基础。2025年，团队与华为诺亚方舟实验室联合推出Dream系列模型，其中Dream 7B首次全面超越同参数规模的自回归模型，并在规划能力上比肩671B的DeepSeek V3。该模型在Hugging Face上获得超过250万下载量。

在2025年ICML（机器学习与人工智能领域的一个国际学术会议）相关演讲中，Dream 7B与Google Gemini Diffusion、Inception Mercury被并列为三大代表性dLLM。

基于Dream 7B，DiffuSpace又陆续推出视觉语言模型Dream-VL、视觉-语言-行动模型Dream-VLA、DreamOn等垂类模型，进一步验证dLLM在多模态、Agent及具身智能等场景中的应用潜力。2026年5月，DiffuSpace正式创立并落地深圳。

为了解释扩散语言模型与自回归模型的区别，龚珊三以“小明去广州吃叉烧”这句话为例说到，“自回归模型从左到右生成，先‘小’再‘明’，一步只能生成一个词。而扩散模型第一步则是把‘小明’和‘叉烧’生成出来，中间内容不仅通过迭代补全，还能回头修改。”她认为，这更贴近人类写作和思考习惯，先搭框架，再填内容，反复编辑。

相比自回归模型，dLLM具备三项核心特点：可逆修正、全局求解、柔性计算。在生成过程中，dLLM可反复调整任意位置内容，生成任意位置均可读取全部上下文，还能动态分配计算资源，简单内容少计算、复杂内容多计算。在速度上，扩散语言模型可并行解码，一次生成多个Token，在特定场景下可实现5至10倍推理加速。

龚珊三认为，可以把自回归模型看成扩散语言模型的一种特殊情况，后者会逐步替代前者，尤其在扩散语言模型更擅长且更具优势的场景上，会优先替代自回归模型，她预判明年端侧应用扩散语言模型，可能会达到占领主要份额的状态。

端侧与Coding Agent先行

在商业化路径上，DiffuSpace将今年底到明年初的焦点放在Coding Agent和端侧模型部署上。

“端侧部署从今年开始冒头，明年会是大爆发。”龚珊三透露，因端侧模型只服务于个人，隐私更好、响应更快，体验也会更好，目前DiffuSpace的模型不仅在AIPC端侧、手机端侧展开部署，还在车载与机器人领域寻求合作。

在具身智能场景中，龚珊三认为扩散语言模型不仅能提升速度，还能提升智能上限。以人形机器人“擦桌子”为例，应用自回归模型的机器人接到指令后，会直接开始擦，把东西推得到处都是，而应用扩散语言模型后，它会先规划把杯子拿开，再完整擦干净，少走一步弯路。

“具身智能的机械臂运动本身就在用扩散模型输出动作，但负责智能的语言模型还是自回归，模态之间容易误差累积。”龚珊三说，如果具身智能机器人在语言、智能和动作上都用扩散模型统一建模，不只是融合更好，动作和语言也能更好对齐。

数据利用率也是dLLM的优势之一。龚珊三解释，同一条数据可以通过不同位置加噪、遮盖、恢复，诞生出更多可训练样本，“在数据有限的情况下，扩散模型训练效率更高，这对具身智能等数据稀缺领域尤其有价值”。

眼下大厂纷纷投入布局dLLM，“蚂蚁、字节以及英伟达、谷歌都有设立小组在做扩散语言模型，但他们并没有All in。”在龚珊三看来，DiffuSpace定位是一家基础模型公司，像DeepSeek一样，专注在基础模型研发、迭代和训练上。

“我们不会只做某一个具体场景。”龚珊三认为，扩散语言模型仍处于Scaling加速期。DiffuSpace目前正在训练30B模型，并计划向更大参数规模迈进。

一边让小参数模型在端侧部署，一边发力探索模型更高的智能上限，DiffuSpace在两条线并行间，还坚持开源策略，目前已经开源了Dream 7B，而正在推进的新一代更大参数规模dLLM的训练，也将于近期发布并开源。

在龚珊三看来，开源将带来更多开发者和社区创新，也能推动扩散语言模型生态尽快成熟。从实验室走出的DiffuSpace，希望把一条曾经“非共识”的技术路线推向工程化与产业化前沿，未来扩散语言模型能否大规模应用，2026年或是一个关键的时间窗口。（本文首发于钛媒体APP，文｜钱微镜，作者｜钱玉娟，编辑｜杨林）