Cloudflare发布多模态决策模型Clef-omni

全新多模态决策模型正式上线

Cloudflare于2026年10月9日正式发布Clef-omni，作为其Clef决策模型家族最新开源成员。该模型是业界首批支持文本、图像、音频、视频四模态统一决策的开放权重模型之一，发布距初代Clef及轻量版Clef-flash仅8天。同期，Cloudflare还下调Clef-flash定价至0.038美元/百万token（低于TypeSafe AI的Jev模型0.042美元），并使托管版Clef整体响应速度提升1.7–2.0倍。

什么是‘决策模型’？

与传统生成式大模型不同，决策模型不输出自由文本，而是依据预设结构化schema返回带概率的类型化答案。开发者提交输入状态（state）与问题定义（如布尔判断、多选、打分），模型即对每个合法选项输出置信度分数。Clef系列目前支持三类问题：noul（真/假）、choice（有限选项选择）和score（连续数值评分），其API协议兼容TypeSafe AI的Jev与SystemOne标准。

架构与运行机制

Clef-omni基于Qwen3-Omni-30B-A3B-Instruct进行后训练，保留其多模态理解主干，移除文本转语音路径。所有输入——包括最多4张图像（PNG/JPEG/WebP）、4段音频（WAV/MP3，单段≤300秒）、2段视频（MP4/WebM，单段≤60秒、2帧/秒采样）——被同步编码为单一序列，经一次prefill完成联合建模。模型采用冻结主干+LoRA适配器微调策略，损失函数融合标签平滑交叉熵与Brier分数校准，确保输出概率分布的可靠性。实测在Workers AI上，文本决策中位延迟约130ms，图像约150ms，一段21秒带声视频综合评分耗时约1.5秒。

性能表现：优势与短板并存

在Cloudflare自建Decision Index基准测试中，Clef-omni在意图识别任务上全面领先：BANKING77达94.8 macro-F1，CLINC150+OOS达97.7 macro-F1（四模型最高），Amazon ESCI达57.8。但在其他场景表现分化明显：家用电器指令准确率69.3%，显著低于Clef-flash的97.73%；When2Call任务准确率63.3%，亦落后Jev的80.97%。在TypeSafe AI发布的5项工作流评估指标中，Clef-omni全部低于原版Clef。其最弱项为POP909-CL（2.6%准确率）与GPQA Diamond（47.4分），远逊Jev的78.3分。

关键参数与对比

Clef-omni为30B总参数、3B激活参数的稀疏MoE模型，Apache-2.0许可，托管上下文长度64,000 token；Clef为27B稠密模型，Clef-flash为9B稠密模型，Jev参数未公开。四者均支持文本与视觉输入，但仅Clef-omni原生支持音频与视频。在输入成本上，Clef-omni为0.15美元/百万token，Clef-flash最低（0.038美元），Jev为0.042美元。所有基准数据均来自Cloudflare官方公告，未经第三方独立验证。

服务性能优化同步落地

除新模型外，Cloudflare将托管版Clef迁移至SGLang推理框架（v0.5.22起支持），未更新模型权重。实测显示：在约800 token输入下，中位延迟由262ms降至152ms（1.7倍加速）；3400 token下由616ms降至305ms（2.0倍）；16,000 token下由2721ms降至1635ms。提速覆盖全量上下文区间，显著降低实时决策链路开销。