华为、小米雷军投了一家深圳模型公司，扩散智能完成数亿融资

大模型技术路线的竞争，正在从性能、参数和算力，延伸至底层生成范式。

10月9日，南都湾财社记者从深圳扩散智能科技有限公司（简称“扩散智能”）获悉，该公司近日连续完成两轮融资，总金额达数亿元人民币，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。据悉，此次融资创下全球扩散语言模型（dLLM）领域最大规模融资纪录，资金将主要用于模型训练、垂直场景适配及基础设施研发。

这笔融资背后，是一条不同于GPT等主流大模型的技术路线正在加速发展。今年以来，Google、Inception、蚂蚁集团等科技企业持续布局扩散语言模型，相关技术正从实验室研究走向产业应用。随着人工智能向智能体、机器人、智能汽车等场景延伸，具备并行生成、动态修正能力的扩散语言模型，正成为大模型产业新的竞争方向。

扩散智能联合创始人龚珊三在接受南都湾财社等媒体采访时表示，与GPT等传统自回归模型逐个生成Token的方式不同，扩散语言模型能够并行生成、全局规划，并在生成过程中动态修改内容，在推理效率和复杂任务处理方面具有潜在优势。

华为、小米系资本入局，深圳这家基础模型公司有何来头？

本轮融资吸引了多家知名投资机构及产业资本参与。其中，顺为资本由小米创始人雷军与许达来于2011年联合创立，名称取自“顺势而为”，是一家专注于早期至成长期创新企业的风险投资机构。

另一家跟投机构华为哈勃，同样具有科技产业背景。公开资料显示，哈勃科技创业投资有限公司成立于2019年4月，为华为投资控股有限公司全资子公司。华为旗下投资机构与雷军联合创立的顺为资本共同参与融资，也反映出产业资本对扩散语言模型这一新兴技术路线的关注。

公开资料显示，扩散智能成立于2026年5月，落地深圳，由香港大学自然语言处理（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。核心团队成员来自清华大学、北京大学、香港大学、卡内基梅隆大学等高校及头部模型团队。

这是一支从实验室走出来的创业团队。早在2022年，团队便开始探索扩散模型在文本生成领域的应用，先后推出DiffuSeq、RDM、DiffuLLaMA等研究成果。2025年发布的Dream 7B模型，在数学、代码和规划等任务上取得进展。据企业介绍，该模型部分测试指标超过同等参数规模的自回归模型，在Hugging Face平台获得超过250万次下载。

从发表论文、开源模型，到成立公司、获得数亿元融资，这支科研团队正试图将一条前沿技术路线推向商业化。

龚珊三介绍，团队正在训练一个300亿参数（30B）的扩散语言模型，未来还将向更大参数规模迈进。“我们的主线一直很明确，就是做基础模型。”她表示，相比开发单一应用，团队更希望通过底层模型的技术突破，推动更多应用场景的发展。

为何选择深圳？龚珊三表示，北京、上海已聚集了一批基础模型企业，而深圳在具身智能、汽车、AI芯片等领域拥有成熟的硬件产业链，恰好可以为扩散语言模型提供丰富的应用场景。

“我们相当于提供模型侧的服务，可以和很多大湾区的端侧硬件公司进行合作。”龚珊三表示，毗邻香港的区位优势，也让团队能够更好地对接科研人才与创新资源。从香港高校实验室走向深圳产业链，扩散智能正在尝试打通前沿算法研究与产业应用之间的路径。

端侧Agent提速5倍，扩散语言模型能否挑战GPT？

扩散智能获得资本关注的背后，是扩散语言模型这一新技术路线正在加速发展。

目前，以GPT、Claude、DeepSeek等为代表的主流大语言模型，主要采用自回归生成方式，即按照从左至右的顺序逐个生成Token（词元）。扩散语言模型则采用不同的生成机制，可以同时生成多个Token，并在生成过程中根据上下文反复调整内容。

龚珊三用写文章作比喻解释两者的区别：自回归模型类似于从文章开头逐字写到结尾，前面生成的内容无法在同一次生成过程中直接修改；而扩散语言模型可以先形成整体框架，再补充中间内容，并根据后文对前文进行调整。

“我们认为，语言的生成不一定要从头到尾。”龚珊三介绍，扩散语言模型能够全局生成、同时生成多个Token，也可以修改此前生成的内容，在生成速度和灵活性方面具有潜在优势。

这一技术特点，在智能体和具身智能等复杂任务中具有应用潜力。今年9月，扩散智能与亚洲智能体计算平台公司Acrab达成战略合作，推动扩散语言模型在AI PC、智能汽车、机器人及智能家居等端侧场景落地。据双方披露，适配测试显示，扩散语言模型可将端侧Agent的运行速度提升5倍。

龚珊三介绍，公司现阶段重点关注两个方向：一是Coding Agent，即编程智能体；二是端侧模型部署。在AI PC场景中，扩散语言模型可以利用并行生成机制，对邮件处理、日程安排、文件检索等多个相关任务进行协同规划。对于机器人而言，模型的全局规划能力则有望帮助其更合理地安排动作顺序。

“当机器人接到擦桌子的指令时，如果缺少全局规划能力，可能先擦桌面，再发现杯子下面还有污渍，需要重复操作；而具备全局规划能力的模型，可以先移开杯子，再完成清洁任务。”龚珊三说道。

当前，扩散语言模型的产业关注度正在上升。Google已推出Gemini Diffusion，美国企业Inception推出Mercury系列模型，蚂蚁集团等也在持续探索这一方向。2026年前8个月，相关论文数量已达到2025年全年的2.4倍。

不过，扩散语言模型仍面临规模化训练、推理架构优化和产业适配等挑战，其性能优势也需要更多实际场景验证。从华为、小米系资本参与融资，到与芯片平台开展联合适配，扩散语言模型正在加快从前沿研究走向产业应用，能否成为下一代主流技术路线，仍取决于模型能力、工程效率及规模化应用的进一步突破。

而目前，扩散智能正在推进新一代更大参数规模扩散语言模型（dLLM）的训练，并计划于近期发布并开源。

采写：南都·湾财社记者 程洋