CLMとは？9倍高速なSystem Oneモデルでエージェント意思決定を革新する

CLM（Contrastive Language Models）はテキスト生成を行わない新しいクラスのAIモデル。コントラスト学習で状態とアクションを紐付け、Jevの9倍の速度で意思決定を下す。エージェント開発のボトルネックを解消する注目のOSSプロジェクト。

GitHubで急上昇中の Contrastive-LM/CLM をご紹介します。 スター数 3050★ を獲得し、AI分野で注目されているツールです。

---

CLM（Contrastive Language Models）とは？

CLMはテキストを生成するのではなく、候補アクションを状態と照合してランク付けするという全く新しいアプローチのAIモデルです。60MのNemotron Q&Aペアで事前学習、30Mの合成ハードネガティブで中間学習、1Mのエージェントトラジェクトリでポスト学習したCLM-8Bを中心に、TypeSafe互換APIとして提供されています。

こんな人におすすめ:

• エンジニア向け: AIエージェント開発者・MLエンジニアが、LLMの代わりに超高速な意思決定モジュールとして組み込むのに最適
• 非エンジニア向け: プログラミング知識が必要なため、エンジニア専用ツールです

---

CLM 使い方：主な機能・特徴

System Oneモデルとしての高速推論

CLMの核心は「生成せずに選択する」という設計です。状態エンコーダーとアクションエンコーダーが別々に動作し、埋め込みキャッシュにより固定候補セットを一度だけ処理して再利用します。これにより、WikiRacingなど候補数が多いタスクで最大9倍の速度向上を実現します。

• コントラスト学習（InfoNCE）で状態とアクション空間を紐付ける
• Noul/Choice/Score 3種類の型付き質問形式でAPIを提供する
• vLLMとQwen3-8B埋め込みによるサーバー構成で本番環境をサポートする
• Terminal-Bench 2.1で87.6%・DeepSWEで81.6%のSOTA精度を達成する
• Webプレイグラウンドとcurl/Python/TypeSafeの3方式でAPIをテストできる

型付き質問（Typed Questions）の仕組み

CLMの特徴的な機能が「型付き質問」です。

from clm import CLMClient, Choice, Noul, Score

client = CLMClient()
r = client.system_one(
    state="Customer: my invoice was charged twice and nobody answers the phone!",
    questions={
        "urgency": Noul(instructions="Is this urgent?"),
        "department": Choice(instructions="Which team should handle this?",
                             criteria={"billing": "Charges, invoices, refunds",
                                       "technical": "Bugs and outages"}),
        "frustration": Score(instructions="How frustrated is the customer?",
                             criteria=["Calm", "Frustrated", "Very angry"]),
    },
)
print(r.answers["urgency"].noul)        # 0.41022 (真である確率)
print(r.answers["department"].choice)   # billing
print(r.answers["frustration"].score)   # 1.98386

レイテンシは38ms（キャッシュ暖機後）で、106トークン処理でも58.1msという驚異的な速度を実現します。

候補ランキング（Rank）機能

自由形式の候補（Best-of-Nの回答候補、ツール名、次の行動）もランク付けできます。

from clm import Engine

engine = Engine(emb_url="http://127.0.0.1:8090/v1/embeddings")
engine.rank(
    "What causes tides on Earth?",
    ["The Moon's gravitational pull.", "Photosynthesis in plants.", "Because the Earth is round."]
)
# [{'rank': 1, 'candidate': "The Moon's gravitational pull.", 'prob': 0.997}, ...]

---

CLM 使い方：始め方とインストール

pip install contrastive-lm

サーバー起動は2段階です。

# 1. Qwen3-8B 埋め込みエンコーダー起動
vllm serve Qwen/Qwen3-8B --served-model-name qwen3-8b \
  --runner pooling --max-model-len 2048 --port 8090 &

# 2. CLM API サーバー起動（初回は75MBの参照ヘッドをダウンロード）
clm-serve
# http://localhost:8700/ でプレイグラウンドUI にアクセス可

---

LLM 高速推論 System One モデル の活用事例

カスタマーサポートの自動トリアージ

MLエンジニアが設計するカスタマーサポートシステムで、顧客の問い合わせ内容（状態）に対して「緊急度」「担当部署」「顧客感情」を同時に瞬時に判定するシステムを構築できます。従来のLLMを使った分類では1件に数百ms〜数秒かかっていたところ、CLMなら38ms程度で処理可能です。

AIエージェントのベスト回答選択

フロントエンドエンジニアやAIシステム開発者がBest-of-N戦略を採用する際に、複数の候補回答からCLMを使って最良の回答を選択するベリファイアとして活用できます。DeepSWEベンチマークではOpus 5の候補4件からCLM-8Bが選択することで81.6%の精度を達成しました。

---

Jevとの違い：なぜ今このモデルか

Jev対比での差別化ポイント

CLMとJevの最大の違いは「推論コスト」です。Jevは強力なフルLLMとして広く使われていますが、エージェントの意思決定ステップごとに大規模なLLM推論が必要です。CLMは状態・アクションの埋め込みキャッシュを最大限活用するため、特に候補セットが固定または再利用可能な場面で4〜9倍の速度優位性を発揮します。

Terminal-Bench 2.1では、Jevがベリファイアとして機能しない長期タスクでも、CLMは87.6%のSOTA精度を達成。「速くて精度も高い」という両立が今注目される理由です。

こんな人に向いている

• MLエンジニア・AIエージェント開発者: 意思決定のボトルネックをLLMから高速分類モデルに置き換えたい方
• バックエンドエンジニア: コールセンターや推薦システムに型付き構造化応答を組み込みたい方
• 研究者・データサイエンティスト: コントラスト学習を独自データでファインチューニングしてSOTAに挑戦したい方

使う前に知っておきたいこと

• GPU必須: CLMはvLLMでQwen3-8Bを動かすためGPUが実質必須。RTX 4090クラスを推奨
• Apple Silicon未対応: MPS/MLXへの対応はIssueで要望あり、現時点は未実装（フォールバック実装も未提供）
• 状態の長さ制限: デフォルトは2048トークン。それ以上はvLLMとclm-serveの両方で設定変更が必要（GPUメモリ追加消費）
• 再現性の懸念: Issueで指摘されているように、QuickstartのNoul値が公開コードと一致しない問題が報告されている（コミットbb42c6c時点）
• コントリビューター: 現在1名のみ開発。長期メンテナンスリスクあり
• ライセンス: LICENSEファイルは存在するが内容は要確認。商用利用前にリポジトリを参照のこと

---

まとめ

CLM-8BはLLMの「生成」ではなく「選択」に特化したSystem Oneモデルとして、エージェント意思決定の速度と精度を同時に改善する新しいアプローチです。GPU環境とPython環境があればpip install contrastive-lmで即試せます。

GitHub でチェックする →

---

この技術を学ぶ

AIに興味を持った方には、Udemyのオンラインコースもおすすめです。

• 🎓 AI・機械学習の関連コース一覧 — セール時（最大90%OFF）を狙うとお得です