CLM：兼容 Jev API 的开源 System One 模型
Qwen3-8B 冻结加两个 20M 头，给状态和动作打分，作者称在 computer-use、游戏、工具调用上对标 Jev 且延迟更低。
CLM (Contrastive Language Models) es un modelo System One: recibe un estado y un set de acciones, y puntúa cuál encaja. Contrastive learning entre estados y acciones. API compatible con TypeSafe/Jev. Qwen3-8B congelado + dos heads de ~20M. Embeddings de estado y acción se cachean por separado. Por eso puede ser barato y rápido. El claim del repo: a la par de Jev en computer-use, gaming y tool-calling, con hasta 9× menos latencia. Con fine-tune ligero, verifier en Terminal-Bench 2.1 (87.6%) y DeepSWE (81.6%). Preentrenado en 60M Q&A Nemotron, mid-train en 30M hard negatives, post-train en 1M trayectorias. Apache-2.0. Weights abiertos. Sirve para lo que es: pick de tools, ranking de respuestas, routing, verificar candidatos. No para chat. Notas honestas: los benches los reporta el propio proyecto. “On par” no es empate en todas las filas: en BFCL y WikiRacing Jev marca más alto; CLM gana en velocidad. El 9× es el caso pico (T-Rex), no el promedio. Los SOTA de verifier usan heads fine-tuneadas, no el checkpoint zero-shot. Sin candidatos que tú le pases, no inventa la respuesta. Necesitas GPU, vLLM y el encoder Qwen3-8B. v0.1. Si tu agente ya tiene opciones y solo necesita elegir rápido, este es el tipo de modelo que encaja. Overview: https://lifehubber.com/ai/resources/clm/