Contrastive（对比学习/对比方法）是机器学习中一类通过拉近相似样本、推远不相似样本来学习表示或校正输出的技术，目前既活跃于模型预训练与对齐研究，也延伸到推理解码、跨域迁移等具体任务中。近期的报道显示，这个词同时出现在两条主线上：一是对比学习作为基础训练范式在语言模型与音频、图数据等领域的持续应用，二是对比式（contrastive）方法被用作测量和缓解模型不良行为的工具。
Contrastive 近期进展
当前焦点与观察点
从这些报道看，Contrastive 相关工作的重心正在从传统的表示学习扩展到三个方向：其一，作为模型架构与训练目标的组成部分（如 8B 参数的 CLM 强调推理效率）；其二，作为解码与推理的干预手段（如 RCD 缓解捷径依赖）；其三，作为安全评估的测量工具（如 Contrastive SDF 对奖励追求行为的量化）。
值得关注的争议点在于，速度与规模的宣称（如 9 倍推理速度）通常来自官方渠道，尚需第三方复现验证；而对比方法在安全测量中的有效性也取决于评估基准的构造方式。对于研究者而言，对比范式与强化学习、检索增强等路线的融合（如 Advantage Guidance 与 CrossRAG 所代表的方向）可能是下一个观察窗口。