CLM
基于Qwen3-8B构建的开源决策验证模型，通过轻量级投影头（约75MB）实现结构化判断，支持Choice/Noul/Score三种决策原语，可自托管部署，兼容TypeSafe Jev接口
时间轴 (近 90 天)
Dottr 采用的是轻量替代策略：牺牲大型企业的合规与审计深度，换取中小团队的零部署成本和极低上手门槛。
合同生命周期管理（CLM）标准覆盖从需求发起、起草、谈判、审批、签署到归档、续约、履约跟踪的完整链条。代表性产品包括 Ironclad、DocuSign CLM、ContractPodAi 等，通常面向法务部门销售，价格昂贵、实施周期长。
推导鸿沟出现在研究者评估的全部七种裁判模型上，包括 System One 系列的 CLM 和 Jev。
Ironclad成立于2012年，总部位于旧金山，是合同生命周期管理（CLM）赛道的头部SaaS平台
CLM平台的核心价值在于将合同的起草、谈判、审批、签署、归档及续约等各阶段数字化并集中管理
CLM的80亿参数骨干网络Qwen3-8B是冻结的仅作阅读器，真正训练的只是两侧各约2000万参数的小型投影头，一次完整预训练在单张RTX上约需一小时
CLM训练中仅预训练在困难负样本测试上得52%，加上困难负样本阶段跳升到69%；若从第一天就用困难负样本训练则峰值只有62%且很快过拟合；缺少重放会使困难负样本分数从69%跌回56%
CLM采用三阶段训练：第一阶段用英伟达Nemotron数据中的6000万问答对学习通用知识，第二阶段用Gemini生成3000万困难负样本，第三阶段用约100万步真实智能体轨迹并回填40%原始问答数据作为重放
双塔架构可预先计算并缓存一侧嵌入向量，查询时只需编码另一侧再做向量检索，计算量极低，这是CLM速度优势的架构根源；其代价是两侧编码器无法进行细粒度交叉注意力比对
CLM的决策速度最高比TiFF类模型快13倍，而准确率可与之持平
还有 40 条时间轴事件
全部知识事实 (20)
在1000个候选选项的测试中，CLM耗时约44毫秒，而生成式模型需要579毫秒
60%待验证CLM（Contrastive Language Model，对比式语言模型）是斯坦福与英伟达研究团队推出的一款参数规模为80亿的对比式语言模型，采用双编码器结构将决策转化为向量相似度检索问题
60%待验证Dottr 采用的是轻量替代策略：牺牲大型企业的合规与审计深度，换取中小团队的零部署成本和极低上手门槛。
50%待验证合同生命周期管理（CLM）标准覆盖从需求发起、起草、谈判、审批、签署到归档、续约、履约跟踪的完整链条。代表性产品包括 Ironclad、DocuSign CLM、ContractPodAi 等，通常面向法务部门销售，价格昂贵、实施周期长。
50%待验证推导鸿沟出现在研究者评估的全部七种裁判模型上，包括 System One 系列的 CLM 和 Jev。
50%待验证CLM平台的核心价值在于将合同的起草、谈判、审批、签署、归档及续约等各阶段数字化并集中管理
50%待验证Ironclad成立于2012年，总部位于旧金山，是合同生命周期管理（CLM）赛道的头部SaaS平台
50%待验证CLM实验中从8个工具里选正确率86%，从全部1080个工具里选骤降到17%，主要错误是混淆名字相似的工具；TiFF上限只有255个选项
50%待验证作者建议将CLM用作第一级粗筛，在毫秒内把上千候选项压缩到前10个再交给系统二模型做最终决策；若动作集合小且稳定则可单独使用；切忌给单个智能体塞一千个工具，应拆分子智能体
50%待验证CLM的80亿参数骨干网络Qwen3-8B是冻结的仅作阅读器，真正训练的只是两侧各约2000万参数的小型投影头，一次完整预训练在单张RTX上约需一小时
50%待验证CLM采用三阶段训练：第一阶段用英伟达Nemotron数据中的6000万问答对学习通用知识，第二阶段用Gemini生成3000万困难负样本，第三阶段用约100万步真实智能体轨迹并回填40%原始问答数据作为重放
50%待验证双塔架构可预先计算并缓存一侧嵌入向量，查询时只需编码另一侧再做向量检索，计算量极低，这是CLM速度优势的架构根源；其代价是两侧编码器无法进行细粒度交叉注意力比对
50%待验证CLM训练中仅预训练在困难负样本测试上得52%，加上困难负样本阶段跳升到69%；若从第一天就用困难负样本训练则峰值只有62%且很快过拟合；缺少重放会使困难负样本分数从69%跌回56%
50%待验证作者在DGX Spark上跑通演示，CLM服务器本身约75MB，整体占用约25GB显存，缓存后同一工单再次询问可在2毫秒内返回
50%待验证CLM的决策速度最高比TiFF类模型快13倍，而准确率可与之持平
50%待验证CLM兼容TiFF的API，提供是非题、多选题和打分三种原语，底层统一为'一个状态加一组封闭的候选项'，不会凭空捏造列表之外的答案但仍可能从列表中挑错
50%待验证CLM将可选动作只编码一次并缓存下来，每一步仅需对当前情境做嵌入计算并与缓存动作向量做点积，从而大幅提速
50%待验证由于每个选项独立编码，CLM在处理中从不把多个选项放在一起横向比较，牺牲了选项之间的直接交互能力
50%待验证CLM采用双编码器结构：一个编码器读取当前情境，另一个编码器分别读取每个可能的动作，最终决策是在嵌入空间中与情境距离最近的动作
50%待验证文中性能数字（44ms vs 579ms、9倍提速）均为YouTube视频中引用的研究方声称值，尚未经官方论文和基准测试验证
50%