大模型公司融资的故事，2026年已经很难再让市场兴奋。但当一笔钱投向一条与主流Transformer自回归路线截然不同的技术路径时，资本的态度就变得值得拆解。过去两年，行业默认的叙事是参数规模、数据量和算力预算的军备竞赛，推理成本与延迟则被当作规模化之后再去解决的问题。然而，当Agent任务从单轮问答走向多步执行，当端侧设备开始要求模型在本地完成规划、调用工具、修正错误，逐Token生成的范式正在暴露出结构性的效率瓶颈。
这正是扩散语言模型（dLLM）试图切入的位置。与传统自回归模型“从左往右”逐个生成Token不同，dLLM采用并行解码和全局迭代机制，理论上可以在生成过程中回溯修改任意位置的内容，并根据任务复杂度动态分配计算资源。2026年10月9日，深圳公司DiffuSpace（扩散智能）宣布连续完成两轮融资，总金额数亿人民币。据36氪报道，本轮由经纬创投、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。公司称，这笔融资创下全球扩散语言模型最大规模融资纪录。
值得注意的是，DiffuSpace正式创立于2026年5月，距今不到半年。一家成立仅五个月的公司能连续完成两轮融资并拿到数亿人民币，在当下的一级市场并不常见。更不寻常的是，它的投资方名单里同时出现了财务投资机构与产业资本——华为哈勃和地平线的名字，让这笔交易超出了单纯的技术信仰投票，指向了端侧AI产业链对新一代模型架构的押注。
| 字段 | 内容 |
|---|---|
| 公司 | DiffuSpace（扩散智能） |
| 轮次 | 两轮，具体轮次名称未披露；经纬创投称联合领投seed轮并在seed++轮追加 |
| 金额 | 数亿人民币（另有来源称近5亿元人民币） |
| 投资方 | 经纬创投、顺为资本、君联资本联合领投；中科创星、华为哈勃、地平线跟投 |
| 总部 | 深圳 |
| 创始人 | 孔令鹏、龚珊三、叶佳成 |
| 官网 | https://diffuspace.ai/ |
从DiffuSeq到Dream 7B：一条跑了四年的非共识路线
DiffuSpace的团队背景在基座模型创业公司中具有某种特殊性。据腾讯新闻报道，公司由香港大学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，核心成员来自清华、北大、港大、CMU等高校及头部模型团队。与许多从大厂出走、带着工程化经验创业的团队不同，DiffuSpace的起点更接近学术实验室的长期技术积累。
团队的技术脉络可以追溯到2022年。据公司披露，团队在那一年推出DiffuSeq，将扩散模型系统引入序列到序列条件文本生成任务，首次让扩散模型能够完成对话、改写、问句生成、文本简化等应用。该成果后被ICLR 2023收录。此后，团队又陆续推出RDM、DiffuLLaMA等研究成果。2025年，团队发布Dream 7B模型。公司称，该模型在数学、代码、规划等任务上全面超过同参数规模的自回归模型，部分指标甚至超过DeepSeek V3（671B参数），并在Hugging Face上获得超过250万次下载量。据腾讯新闻报道，在2025年ICML相关演讲中，Dream 7B与Google Gemini Diffusion、Inception Mercury被并列为三大代表性dLLM。
这些技术指标和行业地位的说法目前主要来自公司口径和相关报道，尚无独立第三方基准测试的完整对比数据。但Dream 7B在Hugging Face上的下载量是一个可复核的公开数据点，250万次下载对于一个小参数规模的学术型模型而言，至少说明开发者社区对其保持了相当程度的关注。基于Dream 7B，团队又衍生出Dream-VL、Dream-VLA、DreamOn等垂类模型，覆盖视觉语言、视觉-语言-行动和端侧Agent场景。从已披露的模型矩阵看，DiffuSpace的技术路线并非停留在论文层面，而是在尝试向多模态和具身智能方向延伸。但需要指出的是，这些衍生模型的性能表现和实际落地效果，目前公开材料中并未提供可独立验证的数据。
并行解码的诱惑：5到10倍加速背后的真实约束
dLLM最吸引产业端的叙事，是推理加速。据东方财富网报道，与主流自回归模型逐Token生成不同，dLLM可进行并行解码和全局迭代，在部分场景下可实现10倍推理加速。腾讯新闻的报道则给出了更宽泛的区间：在特定场景下实现5至10倍推理加速。DiffuSpace与亚洲智能体计算平台公司Acrab的合作中，公司称通过dLLM的并行生成与全局建模能力，端侧Agent运行速度可提升5倍。
这些数字需要被放进真实的技术约束中理解。并行解码并不意味着所有任务都能获得均匀的加速收益。扩散模型的生成过程通常需要多步去噪迭代，每一步的计算成本虽然可以并行化，但总步数可能远多于自回归模型的Token数量。5到10倍的加速，公司表述中明确限定在“特定场景”——这通常指向那些输出结构相对固定、可以批量并行生成的场景，比如代码补全、结构化数据生成或短文本规划。而在需要长链条因果推理、逐词依赖强的自由文本生成中，扩散模型的加速优势能否保持，目前尚无公开的标准化基准测试可以证实。
另一个值得注意的细节是，Dream 7B是一个7B参数规模的模型。公司称其在规划能力上比肩671B的DeepSeek V3，这一表述如果成立，意味着dLLM在小参数规模下展现出了某种效率优势。但“比肩”是一个模糊的定性描述，具体在哪些规划任务上、用什么指标衡量、在什么条件下达到这一水平，公开材料均未披露。从已披露的Dream 7B下载量和ICML演讲中的并列提及来看，模型在学术社区获得了一定认可；但从学术认可到商业可用的推理引擎之间，还隔着工程化、稳定性和成本结构的多重验证。
端侧AI的算力账本：为什么华为哈勃和地平线会出现在股东名单里
本轮融资最值得拆解的信号，不是经纬创投的联合领投，而是华为哈勃和地平线的跟投。这两家机构的投资逻辑通常不局限于财务回报，更多时候指向产业链协同和生态卡位。据firecat-web报道，华为此前已开展基于盘古模型的dLLM研究；地平线则在自动驾驶和机器人领域广泛应用扩散模型，如DIVER框架及整车智能体芯片星空系列。如果这一背景属实，那么华为哈勃和地平线的入局，意味着dLLM在端侧计算平台上的潜力已经进入了产业资本的评估视野。
端侧AI的核心矛盾在于算力、功耗和延迟的三角约束。AI PC、智能汽车、机器人和智能家居设备无法像云端数据中心那样无限堆叠算力，而自回归模型的逐Token生成机制在端侧场景中面临延迟不可控、内存占用高、长任务执行效率低等问题。dLLM的并行解码机制在理论上更适合端侧部署：它可以在给定计算预算内通过调整去噪步数来平衡质量与速度，这种“柔性计算”特性对于算力受限的设备具有天然吸引力。
但端侧部署的挑战同样不容忽视。扩散模型的推理过程需要多次迭代，虽然单步可以并行，但总计算量未必低于自回归模型。端侧芯片的并行计算能力、内存带宽和功耗限制，都会影响dLLM的实际运行效率。DiffuSpace与Acrab的合作是一个值得关注的验证窗口。据东方财富网报道，Acrab是亚洲智能体计算平台公司，双方将推动dLLM在AI PC、智能汽车、机器人及智能家居等场景落地。但截至目前，这一合作的具体产品形态、性能数据和商业条款均未披露。从已披露的“端侧Agent运行速度可提升5倍”这一说法看，至少存在一个可量化的验证指标；但这个数字目前仅来自公司口径，尚无独立测试或客户侧数据佐证。
开源策略与商业化焦点：Coding Agent是第一个试金石
DiffuSpace在商业模式上的选择，与当前基座模型创业公司的主流路径既有重叠也有差异。据firecat-web报道，公司定位为专注基础模型研发的公司，坚持开源策略推动生态成熟，商业化聚焦Coding Agent与端侧模型部署。公司计划于近期发布并开源新一代更大参数规模的dLLM。
开源策略在2026年的基座模型竞争中已经是一张明牌。DeepSeek、Llama、Qwen等开源模型已经证明，开源可以快速积累开发者生态和下载量，但将下载量转化为可持续收入仍然是一个未解难题。Dream 7B的250万次下载量说明开发者对dLLM有好奇心，但好奇心不等于付费意愿。DiffuSpace选择Coding Agent作为商业化焦点，逻辑上是合理的：代码生成和补全是并行解码优势最明显的场景之一，输出结构相对规整，对延迟敏感，且开发者付费意愿在AI工具中处于较高水平。但Coding Agent赛道已经异常拥挤，GitHub Copilot、Cursor、Claude Code等产品占据了先发优势，DiffuSpace作为基础模型提供商，需要证明dLLM在代码任务上能提供足够显著的差异化性能，才能说服应用层开发者切换底层模型。
端侧模型部署是另一条商业化路径，但这条路的变现周期更长。端侧AI的客户通常是硬件厂商和车企，决策链条长、验证周期久、定制化需求高。对于一家成立仅五个月的公司而言，与Acrab的合作可以视为一个早期标杆案例，但从单一合作到规模化收入之间，还需要跨越产品化、工程支持和生态适配的多重门槛。公司称本轮融资将主要用于模型训练、基础设施研发及垂直场景适配，这一资金用途与商业化路径的匹配度较高，但具体金额分配未披露。
资本结构里的信息差：两轮融资的模糊边界
这笔交易的信息披露存在一个值得注意的模糊地带。36氪、东方财富网、腾讯新闻等多数来源将DiffuSpace的融资表述为“连续完成两轮融资，总金额数亿人民币”，轮次名称未披露。而经纬创投在腾讯新闻发布的稿件中明确表示，经纬创投联合领投了DiffuSpace的seed轮投资，并在seed++轮追加投资，是公司最早的机构投资人，也是公司最大的外部机构投资人。
这意味着两轮融资大概率是seed轮和seed++轮，但公司官方口径并未确认这一结构。更值得关注的是金额口径的差异：多数来源称“数亿人民币”，而firecat-web的报道称“总规模近5亿元人民币”。这两个表述之间存在实质性差异——“数亿”可以理解为2到5亿之间的任意区间，而“近5亿”则指向一个更具体的上限。在缺乏官方精确数字的情况下，这笔融资的实际规模只能确定在“数亿人民币”这一宽泛区间内。
从资本结构看，经纬创投作为最早进入并持续追加的投资人，在DiffuSpace的股权结构中占据重要位置。经纬创投合伙人童倜在声明中表示：“我们长期看好具有原创技术及前瞻判断力的创业团队。DiffuSpace深耕扩散语言模型多年，在模型架构等领域积累深厚，展现出较强的创新能力与执行力。”这是投资方口径，反映的是经纬创投对技术路线的判断。而顺为资本、君联资本作为联合领投方，中科创星、华为哈勃、地平线作为跟投方，各自的投资逻辑并未在公开材料中展开。华为哈勃和地平线的产业协同意图，目前只能从两家机构在端侧AI和自动驾驶领域的既有布局中推断，属于编辑分析而非已确认事实。
与Google、Inception同台：dLLM赛道的竞速才刚刚开始
DiffuSpace并非dLLM赛道上唯一的玩家。据腾讯新闻报道，2026年以来，Google已推出文本扩散模型Gemini Diffusion，美国dLLM公司Inception推出Mercury系列通用模型并获得NVIDIA加速计算团队公开关注，蚂蚁集团等模型团队也陆续推出相关模型。2026年前8个月，dLLM相关论文总数已达2025年全年的2.4倍。
这个竞争格局对DiffuSpace而言是一把双刃剑。一方面，Google和Inception的入局验证了dLLM作为技术方向的产业价值，降低了DiffuSpace向客户和投资人解释“为什么不做自回归模型”的沟通成本。另一方面，当Google这样的巨头开始认真投入时，创业公司的窗口期会被急剧压缩。Google拥有自研TPU、海量数据和分发渠道，Inception则获得了NVIDIA加速计算团队的公开关注，这意味着它在算力生态上可能有更深的绑定。DiffuSpace的差异化优势在于团队在dLLM领域的研究积累——从DiffuSeq到Dream 7B的四年技术脉络，以及Dream 7B在学术社区获得的认可。但研究积累能否转化为工程化和商业化的护城河，取决于团队在接下来12到18个月内能否推出更大参数规模的开源模型，并在Coding Agent和端侧场景中拿出可验证的性能数据。
从已披露的信息看，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。这个时间节点的选择至关重要。如果新模型能在性能上实现对同参数规模自回归模型的稳定超越，并在至少一个商业化场景中证明加速收益，DiffuSpace就有机会在dLLM赛道中建立起先发优势。如果新模型的表现停留在学术基准层面，无法转化为端侧或Coding场景中的实际效率提升，那么这笔数亿人民币的融资可能只是dLLM热潮中的一个早期注脚。
五个月公司的待验证清单：从实验室指标到端侧吞吐率
DiffuSpace的故事本质上是一个关于技术路线转换的赌注。公司成立于2026年5月，两轮融资在不到五个月内完成，投资方包括三家联合领投的财务机构和三家跟投的产业资本。这笔交易的速度和结构，说明资本市场对dLLM方向存在真实的兴趣。但速度本身也意味着风险：一家成立五个月的公司，其组织能力、工程化水平和商业化执行力都尚未经过时间检验。
从已披露的事实出发，DiffuSpace面临的待验证假设至少包括以下几个层面。第一，Dream 7B声称的性能优势——全面超越同参数规模自回归模型、规划能力比肩671B的DeepSeek V3——需要独立第三方基准测试的验证。第二，5到10倍推理加速的声明限定在“特定场景”，但哪些场景、什么条件下成立，需要更具体的测试条件和数据支撑。第三，与Acrab合作的“端侧Agent运行速度提升5倍”目前只有公司口径，需要客户侧或独立测试的确认。第四，Coding Agent和端侧部署两条商业化路径，目前均处于早期阶段，尚未产生可验证的收入数据。第五，两轮融资的具体轮次结构和金额拆分未披露，“数亿人民币”与“近5亿元人民币”的口径差异有待官方澄清。
这些待验证项并不意味着DiffuSpace的技术路线不成立，而是说明当前公开信息尚不足以支撑一个完整的投资判断。dLLM作为下一代基座模型的方向之一，其技术逻辑是自洽的：并行解码、全局迭代和柔性计算确实切中了自回归模型在推理效率和长程规划上的结构性弱点。但从技术逻辑到商业验证之间，隔着模型性能、工程化能力、生态建设和客户采纳的多重关卡。DiffuSpace用四年研究积累换来了一个不错的起跑位置，但这场比赛的距离远不止五个月。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：DiffuSpace的融资故事里，最值得关注的不是“数亿人民币”的金额，而是华为哈勃和地平线出现在股东名单里。当产业资本开始为一条非主流的模型架构下注，说明端侧AI的算力焦虑已经足够真实。但dLLM的并行解码优势目前仍停留在“特定场景”的限定词里，从实验室的5到10倍加速到端侧设备的稳定吞吐率，中间隔着的是工程化和基准测试的漫长验证。这家成立五个月的公司拿到了一个不错的开局，但真正的考验是下一版开源模型能否在Coding Agent的真实工作负载中，跑出比自回归模型更可感知的效率差。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。