CLM-v0.1-8B Playground实战3步搭建本地Playground体验状态提问与答案分布可视化【免费下载链接】CLM-v0.1-8B项目地址: https://ai.gitcode.com/hf_mirrors/Contrastive-LM/CLM-v0.1-8B想快速体验对比学习语言模型CLM-v0.1-8B吗这篇文章带你用 3 步在本地搭建 CLM Playground直观地玩状态提问并可视化每个问题的答案分布零基础也能上手。一、先认识 CLM-v0.1-8B一个会秒答的 System One 模型CLM-v0.1-8BContrastive Language Model是一类全新的System One 决策模型它不生成文字而是通过对比学习把状态和动作连接起来对你给出的一组候选答案打分并输出概率。它的底座是一个冻结的Qwen3-8B编码器上面加了两个小小的投影头state head 与 action head用双向 InfoNCE 损失训练。正因如此它打分速度极快——官方称在计算机操作、游戏和工具调用任务上零样本表现与 Jev 相当而延迟最高可降低 9 倍。本仓库就是它的模型权重起点核心权重文件是 CLM_v0.1-8B.pt架构信息如 4096 维 embedding、last-token 池化见 config.json。二、核心玩法状态提问 答案分布可视化CLM 的 Playground 让你做两件事状态提问typed questions给一段状态文本再抛出不同类型的问题——选择题Choice、打分题Score、开放题Noul。模型会为每个问题返回答案和概率。答案分布可视化Playground 会把每个问题的答案概率画成分布图让你一眼看出模型有多确定。例如输入客服抱怨账单被扣了两次、电话还打不通你可以问多紧急该哪个团队处理计费 / 技术模型会给出billing约 94%这类带概率分布的答案。三、3步搭建本地 Playground最快配置方法需要一台带 GPU 的机器全程命令行三步走。第1步安装 contrastive-lm 包一行命令装好官方 Python 包pip install contrastive-lm第2步启动 Qwen3-8B 编码器vLLMCLM 打分依赖 Qwen3-8B 的 embedding先用 vLLM 把它作为编码服务跑起来⚡vllm serve Qwen/Qwen3-8B --served-model-name qwen3-8b \ --runner pooling --max-model-len 2048 --port 8090 第3步运行 clm-serve 打开 Playgroundclm-serve启动后浏览器访问http://localhost:8700/就能看到 CLM 的 Web Playground首次运行会自动把CLM_v0.1-8B.pt拉到~/.cache/clm/。四、上手体验在 Playground 里问出状态答案打开网页后你会看到左右两个区域左侧填写状态文本并添加若干带类型的问题右侧模型返回的答案与答案分布可视化。切换不同问题类型Choice / Score / Noul再跑一次就能直观对比模型在不同提问方式下的概率分布差异——这正是 CLM 可视化玩法的乐趣所在。五、进阶对自由候选做排名best-of-N除了网页CLM 还能对你给出的一组自由候选排序例如从 N 个解决方案、工具名或下一步动作中挑出最优。由于状态与动作是分开编码的动作 embedding 可复用因此候选上千时速度依然很快适合做 best-of-N 筛选、工具选择等场景。六、使用小贴士与已知局限编码器绑定CLM 的头部需要 Qwen3-8B 的 last-token 池化 embedding替换编码器需重新训练头部。不生成文字CLM 只对你提供的候选打分概率是相对于这组候选的而非绝对概率。验证器 SOTA 需微调DeepSWE / Terminal-Bench 的顶级成绩来自微调后的头部本权重零样本不直接达到。完整背景与引用见 README.md许可协议见 LICENSE。七、总结用 3 步就能把CLM-v0.1-8B Playground跑在本地安装contrastive-lm→ 启动 Qwen3-8B 编码器 → 运行clm-serve。打开网页输入一段状态、抛出带类型的问题即可享受状态提问 答案分布可视化的直观体验想要更强的验证器能力还能基于本权重继续微调头部。【免费下载链接】CLM-v0.1-8B项目地址: https://ai.gitcode.com/hf_mirrors/Contrastive-LM/CLM-v0.1-8B创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
CLM-v0.1-8B Playground实战：3步搭建本地Playground，体验状态提问与答案分布可视化
CLM-v0.1-8B Playground实战3步搭建本地Playground体验状态提问与答案分布可视化【免费下载链接】CLM-v0.1-8B项目地址: https://ai.gitcode.com/hf_mirrors/Contrastive-LM/CLM-v0.1-8B想快速体验对比学习语言模型CLM-v0.1-8B吗这篇文章带你用 3 步在本地搭建 CLM Playground直观地玩状态提问并可视化每个问题的答案分布零基础也能上手。一、先认识 CLM-v0.1-8B一个会秒答的 System One 模型CLM-v0.1-8BContrastive Language Model是一类全新的System One 决策模型它不生成文字而是通过对比学习把状态和动作连接起来对你给出的一组候选答案打分并输出概率。它的底座是一个冻结的Qwen3-8B编码器上面加了两个小小的投影头state head 与 action head用双向 InfoNCE 损失训练。正因如此它打分速度极快——官方称在计算机操作、游戏和工具调用任务上零样本表现与 Jev 相当而延迟最高可降低 9 倍。本仓库就是它的模型权重起点核心权重文件是 CLM_v0.1-8B.pt架构信息如 4096 维 embedding、last-token 池化见 config.json。二、核心玩法状态提问 答案分布可视化CLM 的 Playground 让你做两件事状态提问typed questions给一段状态文本再抛出不同类型的问题——选择题Choice、打分题Score、开放题Noul。模型会为每个问题返回答案和概率。答案分布可视化Playground 会把每个问题的答案概率画成分布图让你一眼看出模型有多确定。例如输入客服抱怨账单被扣了两次、电话还打不通你可以问多紧急该哪个团队处理计费 / 技术模型会给出billing约 94%这类带概率分布的答案。三、3步搭建本地 Playground最快配置方法需要一台带 GPU 的机器全程命令行三步走。第1步安装 contrastive-lm 包一行命令装好官方 Python 包pip install contrastive-lm第2步启动 Qwen3-8B 编码器vLLMCLM 打分依赖 Qwen3-8B 的 embedding先用 vLLM 把它作为编码服务跑起来⚡vllm serve Qwen/Qwen3-8B --served-model-name qwen3-8b \ --runner pooling --max-model-len 2048 --port 8090 第3步运行 clm-serve 打开 Playgroundclm-serve启动后浏览器访问http://localhost:8700/就能看到 CLM 的 Web Playground首次运行会自动把CLM_v0.1-8B.pt拉到~/.cache/clm/。四、上手体验在 Playground 里问出状态答案打开网页后你会看到左右两个区域左侧填写状态文本并添加若干带类型的问题右侧模型返回的答案与答案分布可视化。切换不同问题类型Choice / Score / Noul再跑一次就能直观对比模型在不同提问方式下的概率分布差异——这正是 CLM 可视化玩法的乐趣所在。五、进阶对自由候选做排名best-of-N除了网页CLM 还能对你给出的一组自由候选排序例如从 N 个解决方案、工具名或下一步动作中挑出最优。由于状态与动作是分开编码的动作 embedding 可复用因此候选上千时速度依然很快适合做 best-of-N 筛选、工具选择等场景。六、使用小贴士与已知局限编码器绑定CLM 的头部需要 Qwen3-8B 的 last-token 池化 embedding替换编码器需重新训练头部。不生成文字CLM 只对你提供的候选打分概率是相对于这组候选的而非绝对概率。验证器 SOTA 需微调DeepSWE / Terminal-Bench 的顶级成绩来自微调后的头部本权重零样本不直接达到。完整背景与引用见 README.md许可协议见 LICENSE。七、总结用 3 步就能把CLM-v0.1-8B Playground跑在本地安装contrastive-lm→ 启动 Qwen3-8B 编码器 → 运行clm-serve。打开网页输入一段状态、抛出带类型的问题即可享受状态提问 答案分布可视化的直观体验想要更强的验证器能力还能基于本权重继续微调头部。【免费下载链接】CLM-v0.1-8B项目地址: https://ai.gitcode.com/hf_mirrors/Contrastive-LM/CLM-v0.1-8B创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考