CLM-8B: Kontrastives Sprachmodell als schnelle Open-Source-Alternative zu Jev

X-PostnetrunnerAnkündigung

Ein Team von Forschern aus Stanford und von NVIDIA um Jacky Kwok hat CLM-8B vorgestellt, ein unter Apache 2.0 lizenziertes Modell. Laut Entwicklern bietet es eine vergleichbare Leistung zu Jev bei bis zu neunfach schnellerer Inferenz.

Das Wichtigste

  1. CLM-8B (Contrastive Language Model) nutzt ein kontrastives Lernziel, das Systemzustände und Aktionen verknüpft.
  2. Die Entwickler versprechen bis zu 9-mal schnellere Inferenzzeiten im Vergleich zu Jev bei Aufgaben wie Computerbedienung, Gaming und Tool Calling.
  3. Durch die Trennung von Zustands- und Aktions-Embeddings können Vektoren unabhängig gecacht und wiederverwendet werden.
  4. Nach leichtem Fine-Tuning erzielt das Modell laut Kwok 81,6 % auf DeepSWE und 87,6 % auf Terminal-Bench 2.1.
  5. Die Modellgewichte und der Code stehen als Open Source unter der Apache-2.0-Lizenz auf Hugging Face und GitHub zur Verfügung.

Warum das relevant ist

Für Agenten-Workflows, die schnelle Aktionsauswahlen in Echtzeit erfordern (System-1-Entscheidungen), war die Latenz bisher ein Nadelöhr. Ein quelloffenes Modell mit geringer Latenz und Embedding-Caching senkt die Infrastrukturkosten für automatisierte Software- und Tool-Aufrufe erheblich.

Einordnung

Das vorgestellte Modell zeigt einen Trend hin zu spezialisierten Architekturen für agentische Steuerungsaufgaben. Statt klassischer autoregressiver Textgenerierung setzt CLM auf kontrastive Einbettungen von Zustand und Handlungsoptionen. Dies ermöglicht drastische Latenzvorteile, erfordert in der Praxis aber eine unabhängige Validierung der tatsächlichen Entscheidungsqualität gegenüber rein generativen Ansätzen.

Original-Post

netrunner

@plotarmordev · 24. September 2026

Another Jev competitor just dropped: CLM-8B from @jackyk02 and the Stanford/NVIDIA team, with open weights under Apache 2.0. They claim it's comparable to Jev with up to 9x faster inference We went from zero options to a new one almost every day! t.co/i74jjdBoeU

561 Likes11 Antworten634 Lesezeichen86.185 Aufrufe

Auf X ansehen
Weitere Posts im Thread (2)
  1. @FreeBTC21SN @jackyk02 looking to use any of these open source models?
  2. @thybead @jackyk02 feels like you do make the same question every time there are improvements on models haha
Ausgewählte Antworten (5)
  • @FreeBTC21SN @plotarmordev @jackyk02 Nice..👍 t.co/zJ0yA84Gwm
  • @thybead @plotarmordev @jackyk02 9x is a pretty big jump. how much of that holds once the prompts get messy?
  • @FreeBTC21SN @plotarmordev @jackyk02 I'll have to take a closer look at it. This could be interesting. Things are moving in the right direction.
  • @natejtom @plotarmordev @jackyk02 Under the hood it works differently from Jev. It turns the state and each answer option into separate vectors using a frozen Qwen3-8B plus a small 20M-parameter trained layer, then picks the option whose vector lines up best with the state. That’s why it’s so fast when the
  • @natejtom @plotarmordev @jackyk02 | | Jev | CLM | | ------------------------- | ----- | ------ | | Survived | 5/5 | 5/5 | | Picked the correct action | 98.7% | 65.8% | | Safety-net overrides | 28 | 4,883 | | Median latency | 150ms | 16.5ms

Erwähnte Links

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Artikel:Nikita Pavlichenko

    JetBrains veröffentlicht Mellum2: 12B Mixture-of-Experts-Modell für Code und Text

    JetBrains hat Mellum2 vorgestellt, ein von Grund auf trainiertes Mixture-of-Experts-Modell mit insgesamt 12 Milliarden Parametern. Das Modell aktiviert pro Token lediglich 2,5 Milliarden Parameter, läuft unter der Apache-2.0-Lizenz und zielt auf latenzkritische Aufgaben in Entwicklungs- und KI-Pipelines ab.

    KI & AI· Ankündigung

  • Artikel:Chris Alexiuk and Chintan Patel

    NVIDIA Nemotron 3.5 Lightning: Kompaktes MoE-Modell für Agenten-Workflows

    NVIDIA hat Nemotron 3.5 Lightning vorgestellt, ein offenes Mixture-of-Experts-Modell (MoE) mit 30 Milliarden Gesamt- und 3 Milliarden aktiven Parametern. Es wurde speziell für die Ausführungsebene langlebiger KI-Agenten optimiert, um Routineaufgaben wie Tool-Aufrufe und Ergebnisvalidierung schnell und kostengünstig zu bewältigen.

    KI & AI· Ankündigung

  • Artikel:Moo Jin Kim et al.

    OpenVLA: Open-Source Vision-Language-Action-Modell für Robotersteuerung

    Forschende von Stanford, UC Berkeley, Google DeepMind und weiteren Institutionen stellen OpenVLA vor, ein quelloffenes Vision-Language-Action-Modell mit 7 Milliarden Parametern. Das auf 970.000 realen Roboterdemonstrationen trainierte Modell übertrifft geschlossene Vorgänger wie RT-2-X deutlich und lässt sich per LoRA auf handelsüblichen GPUs feinjustieren.

    KI & AI· Forschung

  • Link:Qwen

    Qwen3.8-27B: Multimodales 27B-Modell mit Hybrid-Architektur und Denkmodus

    Das Qwen-Team hat mit Qwen3.8-27B ein kompaktes, dichtes Vision-Language-Modell unter der Apache-2.0-Lizenz veröffentlicht. Das 27-Milliarden-Parameter-Modell kombiniert Gated DeltaNet mit regulärer Attention, versteht Bilder sowie Videos und bietet flexible Steuerungsmöglichkeiten für Denkprozesse.

    KI & AI· Sammlung

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.