Agent真正耗时的，常常不是「想一篇长文」，而是一遍遍问：接下来点哪个工具？CLM把这类有界选择从生成题改成匹配题。
VentureBeat报道，斯坦福与NVIDIA研究者发布Contrastive Language Models（CLM）及CLM-8B权重。模型为状态与动作分别编码，在共享嵌入空间中拉近正确配对、推远错误配对，推理时选与当前状态最相近的动作，无需自回归吐出动作名。双塔结构允许对固定动作集（如企业内部50个IT操作）预先编码并缓存，新请求只编码变化中的状态再比对。训练分三阶段：约6000万问答对、约3000万合成困难负例，再约100万条Agent轨迹后训练；骨干为冻结的Qwen3-8B加投影头。零样本测试中，相对TypeSafe的Jev最高约9倍加速，两款游戏任务成功率持平，工具调用BFCL v4为95.2%对99.2%，WikiRacing完成26/30对30/30。
定位上，CLM属于TypeSafe所称「System One」快速决策层：路由、分诊、短名单排序、候选校验，而不是替代长推理模型解数学或写长文。项目负责人Jacky Kwok对VentureBeat表示，可用大模型生成与推理，用CLM廉价选择、校验与监控；团队还在训多模态CLM-35B-A3B，计划10月初发布。权重以Apache 2.0开源，并提供代码、兼容API与playground。对企业，价值在多步Agent里把几十次路由延迟打下来；边界是候选全错时仍会「矮子里拔将军」。可对照开源仓库与基准协议后再决定是否进入生产路由层。