Clover, le modèle open source qui promet des agents IA bien plus rapides
— AGENTS
DiffuSpace publie Clover, un modèle de langage à diffusion ouvert conçu pour accélérer les agents qui enchaînent appels d'outils et corrections. Sur ses propres tests, un agent web répond en 1,52 seconde contre 8,86 secondes pour Gemini 3.6 Flash, un écart qui parle d'infrastructure autant que de performance.
Un modèle qui génère du texte par blocs entiers au lieu de l'empiler mot après mot, voilà ce que propose DiffuSpace avec Clover. L'architecture change la mécanique interne, mais l'effet recherché est concret : des agents qui attendent moins entre deux actions, moins de temps mort entre une requête et une réponse d'outil. Dans un test sur des tâches de navigation web, DiffuSpace annonce un temps médian de 1,52 seconde pour Clover, contre 8,86 secondes pour Gemini 3.6 Flash. L'écart donne une idée concrète de ce que représente la vitesse d'un agent au quotidien : la différence entre un outil qui répond pendant qu'on travaille et un outil qui fait patienter.
Ce terrain reste celui des équipes qui construisent des agents de code, d'automatisation et de navigation, pas celui des studios de création au sens strict. Mais ce genre de moteur d'inférence rapide finit toujours par se glisser sous des interfaces grand public, une fois stabilisé et intégré par d'autres éditeurs. Les poids du modèle sont distribués sous licence Apache 2.0, ce qui ouvre la porte à des intégrations dans des produits tiers sans négociation de licence propriétaire. Pour le marché, c'est un maillon de plus dans la bataille entre modèles ouverts et modèles fermés comme Gemini, une bataille qui pèse directement sur le prix et la disponibilité future des outils d'automatisation que les équipes créatives finiront par manipuler sans le savoir.
La prudence s'impose sur les chiffres eux-mêmes. Les mesures de vitesse et de performance proviennent exclusivement des essais internes de DiffuSpace, sans reproduction indépendante publiée à ce stade. Un écart de vitesse mesuré dans un laboratoire ne garantit rien sur un déploiement réel, avec ses propres contraintes de trafic et d'infrastructure.
La démonstration technique a néanmoins du poids : combiner une architecture à experts de grande taille avec une génération par blocs pour viser spécifiquement les usages agentiques, c'est une direction que peu de laboratoires ouverts avaient explorée jusqu'ici à cette échelle. Le modèle reste une preview, dérivée d'une base existante plutôt que construite depuis rien, ce qui raccourcit le chemin vers une adoption réelle par d'autres développeurs.
Le sujet mérite d'être suivi au niveau du marché des infrastructures IA, là où se décide ce que coûtera demain un agent capable d'enchaîner recherche, code et vérification sans faire attendre son utilisateur.