Stanford y Nvidia lanzan CLM-8B: un modelo abierto de decisiones que es 9 veces más rápido que Jev y no genera ni una sola palabra
Stanford y Nvidia publican CLM-8B, un modelo de decisiones abierto (Apache 2.0) que usa aprendizaje contrastivo en vez de generación autoregresiva para elegir entre acciones fijas.
🧠 Un modelo que no genera texto — solo elige
Stanford y Nvidia Research han lanzado CLM-8B (Contrastive Language Model), un modelo abierto de 8.000 millones de parámetros que no genera texto. En vez de predecir tokens uno a uno como un LLM tradicional, CLM aprende un espacio de embeddings compartido entre estados y acciones, y luego selecciona la acción que mejor se alinea con el estado actual.
El resultado es un modelo de "System One" — la categoría que TypeSafe popularizó con Jev — que en tests zero-shot ejecuta hasta 9 veces más rápido que Jev en tareas de computer-use, gaming y tool-calling. Cuando se usa como verificador fine-tuneado para tareas de código, establece nuevo SOTA: 81.6% en DeepSWE y 87.6% en Terminal-Bench 2.1, con latencia 4-6x menor que Jev.
Cómo funciona: InfoNCE en vez de autoregressive decoding
La arquitectura de CLM-8B se apoya en un Qwen3-8B congelado como backbone encoder, con dos projection heads separadas (una para estados, otra para acciones). El entrenamiento se hace en tres fases:
- Pre-training: ~60 millones de pares Q&A de Nemotron para aprendizaje semántico amplio
- Mid-training: ~30 millones de "hard negatives" sintéticos (respuestas semánticamente similares pero incorrectas)
- Post-training: ~1 millón de trazas de agentes para adaptar a decisiones de tool-calling
La función de pérdida InfoNCE entrena al modelo para acercar pares estado-acción correctos y alejar los incorrectos. En inferencia, en vez de generar tokens, CLM codifica el estado actual, compara con las embeddings de las acciones candidatas, y selecciona la de mayor similitud coseno.
La ventaja clave: caching de acciones reutilizables
La arquitectura dual de encoder permite algo que los modelos generativos no pueden: cachear las embeddings de acciones por separado. Si un agente tiene 50 herramientas posibles, CLM puede codificar sus representaciones una vez y reutilizarlas en cada request, codificando solo el estado variable.
En escenarios con ~1.000 candidatos, CLM alcanza 13x más velocidad que Jev. Esto cambia la ecuación económica de los sistemas multi-agente: donde un LLM generativo necesita procesar todo el prompt y generar una respuesta completa para elegir una herramienta, CLM solo necesita un forward pass de encoder más una comparación de similitud.
Resultados benchmarks
| Tarea | CLM-8B | Jev | Ratio |
|---|---|---|---|
| Tool-calling (BFCL v4) | 95.2% | 99.2% | ~1x |
| WikiRacing | 26/30 | 30/30 | ~9x más rápido |
| DeepSWE (fine-tuned) | 81.6% | 71.1% | 4-6x más rápido |
| Terminal-Bench 2.1 (fine-tuned) | 87.6% | 83.1% | 4-6x más rápido |
Los mayores speedups aparecen cuando las acciones son reutilizables a través de múltiples estados, el caso de uso típico de agentes empresariales.
Disponibilidad y próximos pasos
Los pesos de CLM-8B están disponibles bajo licencia Apache 2.0 en Hugging Face, junto con código fuente, una API compatible con TypeSafe y un playground interactivo. El equipo también está entrenando un CLM-35B multimodal con más datos y compute, con lanzamiento previsto para principios de octubre.
Como señala Jacky Kwok, project lead en Stanford: "Usa modelos de razonamiento grandes para generar y razonar, y usa CLMs para seleccionar, verificar y monitorizar sus outputs de forma barata." La era de los modelos de decisión dedicados está empezando.