CLM: Die neue Welle der System-1-Modelle für schnelle Verifikation

Wer eigene Harness-Systeme für KI entwickelt, sollte die neue Welle der „System One“-Modelle im Blick behalten.

Zuerst kam Jev. Nun folgt das Contrastive Language Model (CLM).

Wesentliche Unterschiede und Vorteile

• Geschwindigkeit: CLM arbeitet neunmal schneller als Jev.
• Verifikationsrolle: CLM scheint als Verifikator bessere Ergebnisse zu liefern, insbesondere bei Aufgaben mit langem Ausführungszeitraum, in denen eine schnelle Bewertung entscheidend ist.

Technische Analyse: CLM vs. Jev

Der Kernunterschied liegt in der Trainingsmethodik:

1. CLM nutzt kontrastives Lernen. Es kodiert die aktuelle Situation und potenzielle Aktionen in Embeddings, vergleicht deren Ähnlichkeit und wählt oder rankt anschließend die geeignetste Option.
2. Jev wird mittels Reinforcement Learning for Calibrated Decisions (RLCD) trainiert. Es nimmt eine Situation zusammen mit vordefinierten Fragen entgegen und liefert typisierte Entscheidungen mit zugehörigen Wahrscheinlichkeiten.

Warum das wichtig ist

Im Wesentlichen zeigt sich, dass es mehrere Ansätze zur Lösung dieses Problems gibt, was diese Vielfalt für Entwickler äußerst interessant macht. Unterschiedliche Architekturen ermöglichen es, den Kompromiss zwischen Begründungstiefe und Geschwindigkeit in agentischen Workflows zu optimieren.

Code und Gewichte sind unter der Apache-2.0-Lizenz veröffentlicht:

• GitHub Repository
• HuggingFace Weights