CLM-35B 即将发布：AI 直接看屏幕截图做决定

2026年10月3日

CLM-35B 即将发布：AI 直接看屏幕截图做决定，不用再读文字描述

上个月底，斯坦福大学和英伟达（NVIDIA）发布的 CLM-8B 引起了不小的关注。这是一个小型 AI 模型，能让 AI 智能体（能自主行动的 AI 助手）做决定的速度比常用工具 Jev 快多达 9 倍。现在，项目团队透露了下一代版本：CLM-35B-A3B，体积更大，支持多模态，计划在十月初发布。

先简单回顾一下：CLM 是什么

我们日常用的大多数 AI（ChatGPT、Claude、Gemini）都是一个字一个字地生成答案。这种方式很灵活，但速度较慢，尤其是当 AI 智能体只需要从几个选项里选一个的时候（比如点哪个按钮、选哪个文件、回答是或否）。

CLM-8B 正好解决了这个问题：它不生成文字，而是把当前情况和每个候选动作都转换成一串数字（叫做 embedding，也就是 AI 把信息变成可以互相比较的数字的方式），然后选出最匹配的那个选项。因为不需要写出完整的回答，它比 AI 智能体开发者熟悉的工具 Jev 快很多。

CLM-35B-A3B 的新变化：它能"看"了

据项目负责人、斯坦福大学的 Jacky Kwok 介绍，CLM-35B-A3B 正在用更多数据和更强算力训练，计划于 2026 年十月初发布。相比小一号的 CLM-8B，它有两个主要区别：

多模态：新模型可以直接读取屏幕截图，而不只是文字描述的情况。如果按计划发布，它将是同类模型中第一个能直接"看"真实截图并做出决定的模型，不再需要先由人写出文字描述。
混合专家（mixture of experts，MoE）架构：简单来说，模型内部不是靠一个巨大的大脑去思考所有问题，而是拆分成很多个小"专家"，每次只调用其中几个最相关的。这样模型可以做得更大（350 亿参数，是之前 80 亿的几倍），同时还能保持运行速度。

这对做 AI 智能体的人为什么重要

现在很多 AI 智能体（自动操作电脑、读取发票、处理文档的那种）都需要先通过截图"看"屏幕，然后再决定下一步做什么。以前，这一步通常需要一个庞大、缓慢又昂贵的模型，仅仅是为了把图片用文字描述出来，然后才能做决定。如果 CLM-35B-A3B 真能做到宣传的效果，它可以把这两步合并成一步：直接看图，马上做决定，中间不再需要文字描述。对于做 AI 智能体产品的人来说，这意味着可以在 Claude 或通义千问这类大模型背后，接上一个更便宜、更快的决策层。