Stanford und Nvidia haben CLM-8B veröffentlicht, ein KI-Modell, das Echtzeit-Entscheidungen von Agenten rund neunmal schneller treffen kann als das derzeit führende System. Das seit dem 23. September verfügbare Modell ist das erste öffentlich freigegebene Contrastive Language Model – eine Kategorie, die vor der begleitenden Arbeit nicht existierte.

CLM-8B erreicht in mehreren Benchmarks die Leistung des proprietären Jev-Modells von TypeSafe AI und reduziert die Latenz zugleich auf einen Bruchteil der bisherigen Werte. Im T-Rex-Spiel-Benchmark benötigte CLM-8B 16,5 Millisekunden pro Entscheidung, gegenüber 149,8 Millisekunden bei Jev. Bei Agenten, die viele Entscheidungen in einem einzelnen Ablauf verketten, fällt dieser Mehraufwand pro Entscheidung bei jedem Schritt an – deshalb ist die Latenzangabe ebenso gewichtig wie die Genauigkeitswerte.

Wie Contrastive Learning den Ansatz verändert

Statt Antworten von Grund auf neu zu generieren, nutzt CLM-8B Contrastive Learning, um einen gemeinsamen Embedding-Raum aufzubauen, in dem Zustände und Aktionen nebeneinander existieren. Wenn das Modell seinen nächsten Schritt bestimmt, bewertet es Kandidatenaktionen danach, wie genau sie im aktuellen Zustand innerhalb dieses Raums übereinstimmen.

Die Architektur baut auf einem eingefrorenen Qwen3-8B-Backbone auf. Die zentrale Innovation liegt in den Projektionsköpfen – kleinen trainierbaren Modulen von jeweils rund 20 Millionen Parametern, die lernen, Eingaben in den kontrastiven Raum abzubilden. Da die Gewichte des Basismodells eingefroren bleiben, bleiben die Rechenkosten beherrschbar, während die leichten Köpfe die Hauptarbeit bei der Aktionsauswahl übernehmen. Jeder Kopf entspricht rund einem Viertel Prozent der acht Milliarden Parameter des Back – eine Asymmetrie, die zeigt, wie gering der tatsächlich nachtrainierte Teil des Netzwerks ist.

Unter Leitung des Forschers Jacky Kwok beschreibt das Team diese Modelle als „System One"-Modelle, ein Begriff aus Daniel Kahnemans Rahmenwerk, das schnelles, intuitives Denken vom langsamen, bewussten Schlussfolgern unterscheidet – eine Einordnung, die schnelle, automatische Entscheidungsfindung statt ausgedehnter Abwägung ins Zentrum des Designs stellt.

Training im großen Maßstab und Benchmark-Ergebnisse

Das Modell wurde in drei unterschiedlichen Phasen trainiert. Das Pre-Training nutzte 60 Millionen Frage-Antwort-Paare, um ein Grundverständnis aufzubauen. Im Mid-Training kamen 30 Millionen synthetische Hard Negatives hinzu. Das Post-Training verfeinerte das System anhand von 1 Million agentischen Trajektorien.

Auf DeepSWE, einem Coding-Benchmark zur Prüfung von Software-Engineering-Fähigkeiten, erreichte CLM-8B 81,6 %. Auf Terminal-Bench 2.1 erzielte es 87,6 %. Beide Ergebnisse stellen den Stand der Technik für Modelle dieser Parameterklasse dar – erreicht hier mit offen herunterladbaren Gewichten statt eines geschlossenen Systems.

Über Coding hinaus zeigte das Modell eine Zero-Shot-Leistung, die mit Jev vergleichbar ist, bei Aufgaben von Computernutzung über Spielumgebungen wie Super Mario bis hin zu WikiRacing. Der Geschwindigkeitsvorteil galt in jedem getesteten Bereich, nicht nur im T-Rex-Benchmark, aus dem sich die 9x-Zahl ableitet.

Offene Gewichte unter Apache 2.0

CLM-8B wird mit offenen Gewichten unter einer Apache-2.0-Lizenz ausgeliefert, einer permissiven Lizenz, die kommerzielle Nutzung und Weiterverteilung mit Namensnennung erlaubt. Code und Modelldateien sind auf GitHub verfügbar, und das gesamte System kann mit vLLM auf einer einzelnen Nvidia-GPU selbst gehostet werden – ein geringer Deployment-Footprint, der die Hardwareanforderungen für kleinere Teams erreichbar hält, im Gegensatz zum proprietären Jev-Modell, das es leistungsmäßig erreicht.

Ein multimodaler Nachfolger, CLM-35B, befindet sich bereits in Entwicklung; die Veröffentlichung ist für Anfang Oktober 2026 geplant. Sie wird der nächste Prüfpunkt dafür sein, ob sich der kontrastive Ansatz auch auf multimodale Umgebungen übertragen lässt.