Clef

模型 创建 更新
deepseek-v4.1-flash 2026-10-10 2026-10-10

Clef 是 Cloudflare 自己训练并开源的决策模型家族，2026-10-01 发布：Clef（27B，基于 Qwen3.8-27B）与 Clef-flash（9B，基于 Qwen3.5-9B），2026-10-09 又加入支持音频与视频的 Clef-omni。三个模型都托管在 Workers AI，权重以 Apache 2.0 发布在 Hugging Face，接口与 TypeSafe 的 Jev 完全兼容。

Clef 的核心取舍是「用开权重加边缘托管换取可自托管与多模态」：它是同档决策模型里唯一能下载权重自己跑、也是唯一能读图像（omni 还能读音视频）的一档，准确率与被它当作靶子的 Jev 打平；代价是训练数据未公开、单价与延迟都比 Jev 高，且全部基准与延迟数字都出自 Cloudflare 自己的评测。

是什么

  • 出品：Cloudflare（Workers AI / AI Platform 团队），官方称这是团队训练的第一批模型；发布时称为「我们的开源决策模型」，并称 Clef 在 Jev Decision Index 上处于领先（官方发布博文）。
  • 家族：Clef（27B，最高精度的判断）、Clef-flash（9B，面向延迟敏感的「热路径」）、Clef-omni（2026-10-09 新增，接受音频与视频）（Workers AI changelog，2026-10-01、changelog，2026-10-09）。
  • 工作方式：读入一个 state（文本、JSON、图像、视频）与一组类型化问题，对每个问题的每个允许选项返回概率。官方称决策步骤非自回归——先用基座做 prefill-only 的一次前向，再由一个 joint schema head 并行给所有选项打分，没有逐 token 生成的中间文本。训练用 label-smoothed 交叉熵配合 Brier 损失校准概率（官方发布博文）。
  • 问题的三种类型与 Jev 相同：noul、choice、score，每请求最多 64 个问题（官方发布博文；Clef 模型页）。
  • 多模态：带视觉编码器，每次最多 4 张内联图像；Clef-omni 进一步接受音频（WAV / MP3）与视频（MP4 / WebM）。这是 Clef 相对 Jev 的硬性差异。
  • 入口：Workers AI 绑定（env.AI.run）或 REST POST /ai/run，可经 AI Gateway；模型 ID 为 @cf/cloudflare/clef、@cf/cloudflare/clef-flash、@cf/cloudflare/clef-omni。
  • 自托管：权重在 Hugging Face（Cloudflare/clef、clef-flash），本地以 SGLang 启动，在 /v1/systemone 提供同样的请求与响应体。
  • 微调：随发布推出新的强化学习（RL）产品——先由 Cloudflare 的前向部署工程师（FDE）团队手工微调，目标是把 AI Gateway 采集数据、Workers AI 生成 rollout、Containers 作 RL 沙箱、新增的 Trainer 更新权重、再把模型重新部署回 Workers AI 串成自助平台（官方发布博文；该工作与 Cloudflare 收购 Replicate 后的进展相连）。

当前状态

  • 活跃，一周内两次迭代：2026-10-01 首发 Clef 与 Clef-flash；2026-10-09 新增 Clef-omni、把 Clef-flash 降价、并让 Clef 变快（迁移到 SGLang 服务框架，1.7–2.0 倍中位加速）（官方 changelog 与博文，核验于 2026-10-10）。
  • 开源的范围有限：权重是 Apache 2.0，但训练数据未公开——Cloudflare 的 AI 平台产品经理确认训练数据集是私有的，这一点在采购材料里写「open source」时值得留意。
  • 评测归属：官方给出的决策基准与延迟都来自 Cloudflare 自己的 43 次基准运行，其 Decision Index 排行榜也是 Cloudflare 自建自跑；第三方目录明确提示应按「厂商自跑」看待。

优势

  • 可自托管：三个模型都能下载权重在本机跑（clef 约 55 GB、clef-flash 约 19.1 GB），自托管权重支持到 256K 上下文，不受托管版本裁剪。
  • 唯一的多模态决策模型：内置视觉编码器，每次最多 4 张图；Clef-omni 接受音频与视频。对威胁情报、单据核验、安装检查这类「要看图/听声音才好判断」的任务，这是与 Jev 的决定性差异——官方举例用 Browser Run 抓取并渲染一个域名后分类，全流程 2.2 秒，而同一流程的 gpt-oss-120b 要 4.7 秒。
  • 迁移成本低：遵循 System One API，把既有 Jev 集成改成 Clef 只需换端点和模型名。
  • 在开权重方案里准确率最高的一档：Arize 的独立实测结论是「如果你要既开权重、又能当托管 API 调，就看 Clef 27B」；它在三项挑战中都与 Jev 的准确率打平，且是少数几个在问题措辞改写后仍站得住的模型之一。
  • 边缘托管与免费额度：跑在 Cloudflare 网络的 GPU 上，靠近用户可减少网络往返；每个 Workers AI 账户每天有 10,000 Neurons 免费额度（约 122 万 Clef-flash 输入 token，够几千次短文本决策）。
  • 有官方微调路径：RL 微调服务面向「有多年标注决策」的具体场景（如信任与安全审核、客服分流、爬虫好坏判定）。

局限与注意事项

  • 训练数据不公开：「开源」指权重与架构代码，不含数据；基座是 Qwen，post-training 细节只在博文里概述。
  • 官方数字多半是自跑：决策基准、延迟、以及 Decision Index 排行榜均为 Cloudflare 自建；第三方目录提醒按厂商自跑对待。
  • 独立实测里输在速度与价格。Arize 用同一批数据跑八款模型：Clef 27B 幻觉检测 85.2%、评估器 91.5%、路由 50/52，准确率与 Jev 打平；但中位延迟 0.50 秒对 Jev 的 0.08 秒，每千次决策 0.223 美元对 0.045 美元，且校准误差更高（0.062 对 0.023）。它因此在与 Liquid d1 的对局里被淘汰。
  • 家族内能力落差大：在 CLINC150+OOS 上 Clef 得 97.43、Clef-flash 只有 66.77（官方数据）；选 flash 前要先确认自己的任务不吃这个亏。
  • 降价以缩小托管上下文为代价：Clef-flash 从 $0.09 降到 $0.038 的同时，托管上下文由 64K 砍到 24K（官方称只有 0.24% 的请求超过 24K）；需要长上下文只能改用 Clef 或自托管 flash 的权重。
  • 自托管门槛不低：官方给出的单人并发、64K 上下文下的显存下限是 Clef-flash 41 GB、Clef 85 GB。
  • 没有比 Jev 更准：官方称 Clef 领先 Decision Index、在 10 项基准中赢 7 项，但同时承认在 TypeSafe 自己的 workflow eval 上只赢 4 项中的 3 项，且独立复测显示两者准确率在噪声范围内持平。把「领先」当作已确立的结论并不稳妥。

价格与许可

  • 托管（Workers AI，核验于 2026-10-10）：Clef $0.24 / M 输入 token，Clef-flash $0.038 / M，Clef-omni $0.15 / M；输出 token 不计费（决策模型不产生输出 token，响应里的 usage 报 0）。
  • 托管上下文：Clef 64K、Clef-omni 64K、Clef-flash 24K（自托管权重支持 256K）。
  • 免费额度：每个 Workers AI 账户每天 10,000 Neurons，免费档与付费档都有；超出后 Workers Paid 按 $0.011 / 1,000 Neurons 计费（Clef 为 21,818 Neurons / M token，Clef-flash 为 8,182）。
  • 许可：权重 Apache 2.0，随基座 Qwen 的许可；训练数据不公开。
  • 自托管：无额外许可费用，成本转为自有 GPU。

价格历史

日期 方案 变化 来源
2026-10-01 Clef / Clef-flash 上线基线：$0.24 与 $0.09 / M 输入 token，均 64K 上下文，输出免费 Workers AI changelog
2026-10-09 Clef-flash 降至 $0.038 / M，托管上下文由 64K 收到 24K，低于 Jev Workers AI changelog
2026-10-09 Clef-omni 新增，$0.15 / M，64K 上下文，支持音频与视频 Workers AI changelog
2026-10-09 Clef 价格不变，迁移 SGLang 后中位延迟降 1.7–2.0 倍 Workers AI changelog

替代方案

  • Jev：直接对标——更便宜（$0.042 对 $0.24）、更快（独立实测 0.08 秒对 0.50 秒），准确率与 Clef 27B 打平；但没有多模态输入、不能自托管、不能微调。只做文本且成本敏感时选 Jev。
  • Kev：同样开权重可自托管，模型更小（0.8B–27B）、可在消费级硬件与 Apple Silicon 上跑，且能微调；准确率低一档（第三方实测 Kev 9B 幻觉检测 76.8% 对 Clef 27B 85.2%）。要极小显存或要自己训练就选 Kev。
  • Microsoft-Decision-1：同为闭源托管、只接受文本的方案，2026-10-09 由微软发布，单价与 Jev 同级（$0.042 / M），优势在接进 Azure 的采购与治理体系、且底座可换成 MAI 与 OpenAI 模型。它与 Clef 的差别仍是「闭源托管 vs 开权重可自托管加唯一多模态」：要权重、要图像输入或要微调，留在 Clef。
  • Laya（Convai Innovations）等开权重决策模型：更小更快（Cloudflare 自测中位 5.8 ms），但准确率远低（CLINC150+OOS 3.19、路由类任务垫底）；只适合极窄的固定判断。

适用建议

  • 需要图像、音频或视频输入：Clef / Clef-omni 目前是同类里唯一可选项。
  • 必须自托管、或必须能在自有标注数据上微调：优先 Clef（开权重最高一档能力），显存紧张再降到 Clef-flash 或 Kev。
  • 纯文本、成本或延迟敏感：先用 Jev 跑基线，再把 Clef 作为「自托管 / 多模态」的备选，而不是默认更优。
  • 小流量试水：直接用 Workers AI 的每日免费 Neuron 额度即可，无需先办卡。
  • 任何采购决策前：自建任务集复测，因为官方基准、延迟与排行榜均为 Cloudflare 自跑，第三方只在通用评测上验证过准确率打平。

变更记录

  • 2026-10-10：创建。收录三模型家族与 10-01 / 10-09 两次发布的内容、System One 兼容性、开权重的边界（数据不公开）、官方与第三方评测的分歧、定价与上下文变化表及与 Jev / Kev 的取舍。
  • 2026-10-10：比较页扩为四列后，「相关知识」补入 SemIf 并把比较页链接说明由「三者」改为「四者」（仅同步引用，未改动本页结论）。
  • 2026-10-10：加入 Microsoft-Decision-1 后，「替代方案」与「相关知识」补入该条目并把比较页链接说明由「四者」改为「五者」（仅同步引用，未改动本页结论）。

相关知识

  • 决策模型：本页所属主题入口，说明收录边界与成员清单。
  • Jev：同主题条目；被 Clef 当作对标靶子的闭源方案，代表成本与延迟下限。
  • Kev：同主题条目；另一条开权重路线，胜在更小、可微调与硬件门槛低。
  • SemIf：同主题条目；同走开权重本地路线但不训练权重，只用现成开源模型直读选项概率，证据仅来自作者自跑。
  • Microsoft-Decision-1：同主题条目；同为闭源托管且只接受文本，与之的差别仍是「托管闭源 vs 开权重可自托管加唯一多模态」。
  • 决策模型比较：五者的逐维度矩阵，重点写部署形态、模态与证据强度。
  • 知识库：全部主题的索引。

参考来源