Stanford en Nvidia hebben CLM-8B uitgebracht, een AI-model dat realtime beslissingen van agenten ongeveer negen keer sneller maakt dan het huidige leidende systeem. Het model, beschikbaar gesteld op 23 september, is het eerste publiek uitgebrachte Contrastive Language Model, een categorie die vóór het bijbehorende artikel nog niet bestond.

CLM-8B evenaart de prestaties van het propriëtaire Jev-model van TypeSafe AI op meerdere benchmarks, terwijl de latentie wordt teruggebracht tot een fractie van de vroegere niveaus. Op de T-Rex gamebenchmark behaalde CLM-8B 16,5 milliseconden per beslissing, vergeleken met 149,8 milliseconden voor Jev. Voor agenten die veel beslissingen aan elkaar koppelen in één run, stapelt die overhead per beslissing zich op bij elke stap, en daarom weegt de latentie minstens zo zwaar als de nauwkeurigheidsscores.

Hoe contrastief leren de aanpak verandert

In plaats van antwoorden vanaf nul te genereren, past CLM-8B contrastief leren toe om een gedeelde embedding-ruimte op te bouwen waarin states en acties naast elkaar bestaan. Wanneer het model zijn volgende zet bepaalt, beoordeelt het kandidaat-acties op hoe goed ze overeenkomen met de huidige state binnen die ruimte.

De architectuur is gebouwd op een bevroren Qwen3-8B-backbone. De centrale innovatie ligt in de projectiekoppen: kleine trainbare modules van elk circa 20 miljoen parameters die leren om invoer in de contrastieve ruimte af te beelden. Omdat de gewichten van het basismodel vergrendeld blijven, blijven de rekenkosten beheersbaar, terwijl de lichte koppen zware werk voor actieselectie verrichten. Elke kop komt overeen met ongeveer een kwart procent van de acht miljard parameters van de backbone, een asymmetrie die laat zien hoe klein het deel van het netwerk is dat daadwerkelijk opnieuw wordt getraind.

Onder leiding van onderzoeker Jacky Kwok noemt het team deze "System One"-modellen, een term ontleend aan het raamwerk van Daniel Kahneman dat snel, intuïtief denken onderscheidt van langzaam, deliberatief redeneren — een kader dat snelle, automatische besluitvorming in plaats van uitgebreide overweging centraal stelt in het ontwerp.

Grootschalige training en benchmarkresultaten

Het model is getraind in drie verschillende fasen. De pre-training gebruikte 60 miljoen vraag-antwoordparen om basaal begrip op te bouwen. De mid-training introduceerde 30 miljoen synthetische hard negatives. De post-training verfijnde het systeem op 1 miljoen agent trajectories.

Op DeepSWE, een codeerbenchmark die software-engineeringvaardigheden test, behaalde CLM-8B 81,6%. Op Terminal-Bench 2.1 kwam het uit op 87,6%. Beide resultaten vertegenwoordigen state-of-the-art prestaties voor modellen in dit parameterbereik, hier bereikt met vrij downloadbare gewichten in plaats van een gesloten systeem.

Naast programmeren toonde het model zero-shot prestaties vergelijkbaar met Jev bij taken zoals computergebruik, gameomgevingen zoals Super Mario en WikiRacing. Het snelheidsvoordeel hield stand in elk getest domein, niet alleen de T-Rex-benchmark waaruit het 9x-cijfer voortkomt.

Open gewichten onder Apache 2.0

CLM-8B wordt geleverd met open gewichten onder een Apache 2.0-licentie, een permissieve licentie die commercieel gebruik en herdistributie met naamsvermelding toestaat. De code en modellbestanden zijn beschikbaar op GitHub, en het volledige systeem kan zelf worden gehost op één Nvidia-GPU met behulp van vLLM — een implementatieprofiel dat de hardwarevereisten binnen bereik houdt van kleinere teams, in tegenstelling tot het propriëtaire Jev-model dat het evenaart.

Een multimodale opvolger, CLM-35B, is al in ontwikkeling, met een geplande release begin oktober 2026. Die release zal de volgende toetssteen zijn voor de vraag of de contrastieve aanpak ook werkt in multimodale omgevingen.