🧪 CLM-v0.1-8B 不生成文字只打分數，延遲最多砍 9 倍｜地端 AI 實驗室

開場白

這期 Hugging Face 熱度冠軍 Contrastive-LM/CLM-v0.1-8B 不生成文字，靠打分數就讓延遲最多砍 9 倍。同場還有專攻路由審核的 LoRA interfaze-ai/lev，跟免顯卡也能跑的小模型 SupersonicLabs/Julia-1。它憑什麼撐住 52 種語言分類，等一下告訴你。

本期精選

1. Contrastive-LM/CLM-v0.1-8B：不寫字、只對候選打分的排序器

這是什麼：CLM-v0.1-8B 不是用來生成文字的模型，官方說明是把兩個投影頭疊在凍結的 Qwen3-8B 上，專門對「候選項」打分數，用在重排序、動作選擇、驗證這類任務。8B 參數，Apache-2.0 授權，可自由商用。
能用在哪些場景：
- 自架 RAG 的後端工程師：向量檢索一次撈回上百段候選片段，塞進大模型前可以先用 CLM 重排序、只留前幾段；官方 README 強調 state 與 action 是分開編碼的，action 的 embedding「their embeddings are cached and reused independently」，同一批文件片段重複查詢時不用重算。
- 在本機跑 tool-calling agent 的人：每一步要從十幾個工具裡挑一個，可以改成把候選動作丟給 CLM 打機率分數，不用再叫 LLM 生一段 JSON 出來解析；官方 model card 寫零樣本情況下「on par with Jev on computer-use, gaming and tool-calling tasks, with up to 9× lower latency」。
- 做 coding agent 的人：拿它當驗證器，同一個問題產生多個修補方案後用來挑一個；官方標示微調成 verifier 後「SOTA on DeepSWE (81.6%) and Terminal-Bench 2.1 (87.6%), 4–6× faster than Jev」。
跑得動嗎：官方未標示 VRAM 數字。GitHub README 提到要另外起一個 encoder：vllm serve Qwen/Qwen3-8B --runner pooling --max-model-len 2048，並寫「States longer than 2048 tokens are truncated. For longer states, raise both limits together...(needs more GPU memory)」；另外有 vector cache 會預留 GPU 記憶體保留 state／action embedding，官方稱重訪同一個 state 時「2.8x faster」。量化版本官方未標示，CPU 模式雖然有 --device cpu 旗標，但官方沒給任何效能說明。
本期聲量：HF 熱度 543（2.4k 次下載、552 個讚），本期選題第一名。
跟同類比：跟同類的 Jev 相比，官方 model card 自己的說法是賣點不是準確率而是延遲：零樣本表現與 Jev 相當，延遲最多低 9 倍，約 1k 候選時「13× faster than Jev」。架構上是把兩個投影頭疊在凍結的 Qwen3-8B 上，不是重新訓練一個大模型。以上皆為作者自述，尚未見第三方獨立複測。
怎麼取得：README 寫的是 pip install contrastive-lm，先用 vLLM 把 Qwen3-8B 以 pooling 模式起在 8090 埠當編碼器，再執行 clm-serve，就會在 http://localhost:8700/ 開一個 API 供 rank、查詢使用。
連結：Contrastive-LM/CLM-v0.1-8B

2. interfaze-ai/lev：200 MB 的 LoRA，接手路由與審核判斷

這是什麼：lev 是掛在 Qwen3.5-4B 上的 LoRA／adapter，主檔約 200 MB，做的是路由、審核、意圖偵測這類「從候選裡選一個」的判斷任務，不是生成長文。授權 Apache-2.0。
能用在哪些場景：
- SaaS 後端做意圖路由：使用者訊息進來要決定丟給哪一條處理管線，用它一次前向傳播就能拿到各選項機率，不必等大模型吐完一段文字再解析；官方 model card 列的用途就包含「routing, moderation, intent detection, triage, grading」。
- UGC 平台的留言審核：每天大量留言要先過一層機器判斷再送人工，官方說明它回傳的是校準過的機率（calibrated probabilities）而不是生成的解釋，方便直接設閾值分流。
- 檢查另一個大模型的輸出：把 LLM 產生的答案配上「有沒有回答到問題」這類是非題丟進去驗；官方把「checking LLM output」明列為設計用途，並標示在 FEVER 這類主張驗證任務上得分 0.872。
跑得動嗎：官方 model card 寫「for real-time use, a CUDA GPU」，並標示底模下載量約 8 GB、adapter 本身約 200 MB。量化選項官方未標示。
本期聲量：HF 熱度 94（480 次下載、98 個讚），本期唯一的 LoRA／adapter 候選。
跟同類比：難得的是作者自己在卡片上就認輸，標示自身在 13 個 S1Bench 子集上的 macro accuracy 是 0.689，對照 Jev 的 0.761。它賣的不是最高分，而是用 200 MB adapter 去逼近體積大得多的專用模型（同期候選 Jev-Omni 是 12B，官方標示 FP32 權重約 50 GB）。分數皆為作者自述。
怎麼取得：README 給的是標準 PEFT 兩行：AutoModelForCausalLM.from_pretrained("Qwen/Qwen3.5-4B") 之後接 PeftModel.from_pretrained(base_model, "interfaze-ai/lev")；官方另外提供自家套件寫法 lev.load("interfaze-ai/lev")。授權 Apache-2.0，權重可直接下載，無需申請。
連結：interfaze-ai/lev

3. SupersonicLabs/Julia-1：144.3M 參數、CPU 就能跑的多語系分類器

這是什麼：Julia-1 底層是多語系的 mmBERT-small，144.3M 參數，做的是狀態／問題／選項式的分類判斷。官方標示 FP32 權重只佔 550.5 MiB，授權 Apache 2.0。
能用在哪些場景：
- 沒有獨顯的開發者：手上只有便宜 VPS 或沒有獨顯，可以把客服工單、表單自動分類直接跑在 CPU 上；官方寫「CPU inference works with the standard PyTorch installation; no native router build is needed」，不需要為了一個分類器去租 GPU。
- 多語系產品的意圖分類：官方標示在 MASSIVE 基準的「all 52 locales」上 macro accuracy 71.50%，並列出 en-US 86.75%、pt-PT 86.25% 等單語結果，適合一套模型同時吃多國語言的客服或 App 後端。
- 內部工具的布林閘門：官方列出 noul 模式專做布林判斷、choice 模式支援 2 到 20 個選項，可以拿來判斷「這封信要不要升級處理」這種每天跑幾萬次、用大模型太貴的小決策。
跑得動嗎：官方 model card 標示「The FP32 weights occupy 550.5 MiB; allow additional memory for the tokenizer and activations.」CPU 推論用標準 PyTorch 安裝即可；要用 CUDA 則需要 BF16-capable 的 GPU。輸入上限官方寫的是 8,192 token 的 state／question／options 合計長度。
本期聲量：HF 熱度 297（2.2k 次下載、305 個讚）。
跟同類比：同期高聲量的決策型模型多半 8B 到 12B 起跳（像本期的 CLM-8B、Jev-Omni 12B），Julia-1 的 144.3M 差了一到兩個數量級。代價作者自己也寫明了：它「cannot reliably supply missing facts, solve algebraic equations, or carry a long chain of calculations」，而且「is not a drop-in Transformers text-classification pipeline」，得照它自己的 API 接。皆為官方卡片上的自述。
怎麼取得：官方說明是下載 repo 後 python -m pip install -e ./Julia-1，再用 load_model("Julia-1", device="cpu", max_length=8192) 載入；model card 特別提醒「Download the actual weights, not a Git LFS pointer」。授權 Apache 2.0，無需申請。
連結：SupersonicLabs/Julia-1