Cloudflare представила модели Clef и Clef-flash для структурированных решений

Компания Cloudflare выпустила модели Clef и Clef-flash, созданные собственной командой Workers AI. В отличие от привычных чат-ботов, эти разработки относятся к категории моделей принятия решений (decision models), которые анализируют входной стейт и набор типизированных вопросов, возвращая вероятности для каждого допустимого ответа без генерации свободного текста. Вес новинок распространяется по лицензии Apache 2.0.

Обе модели уже доступны для развертывания в инфраструктуре Workers AI, а их веса выложены на Hugging Face для самостоятельного хостинга.

Что собой представляет модель принятия решений

Классическая языковая модель генерирует токены последовательно, из-за чего ее ответы требуют дополнительного парсинга. Модель принятия решений работает иначе: она отвечает исключительно на фиксированный набор вопросов. Модель Clef поддерживает три типа вопросов: логический (noul) для бинарных ответов да/нет с вероятностью утвердительного варианта, выбор (choice) из поименованных опций с расчетом вероятностей и коэффициента уверенности, а также оценку (score) по упорядоченной шкале.

При использовании сервиса Workers AI один запрос может содержать до 64 вопросов и до 4 изображений. Ранее, 15 сентября 2026 года, компания TypeSafe AI представила свою первую модель класса System One под названием Jev, за которой последовали открытые аналоги Kev-9B и Laya. Архитектура Clef использует тот же API System One, поэтому переход с Jev требует лишь изменения конечной точки и имени модели.

Принцип работы модельного ряда Clef

В основе архитектуры Clef лежит дообученная модель Qwen3.8-27B, а для Clef-flash была взята Qwen3.5-9B. Обе версии сохраняют встроенный визуальный энкодер базовой модели. Процесс инференса делится на два этапа. Сначала базовый скелет выполняет один проход только префилла (prefill-only) по состоянию и вопросам, после чего небольшой трансформер (joint schema head) считывает финальные скрытые состояния.

Этот механизм распределяет доказательства по каждому вопросу, позволяет полям взаимодействовать методом перекрестного внимания (cross-attend) и оценивает все варианты комплексно. Для перевода логитов в вероятности применяется функция softmax для каждого отдельного вопроса. Обучение велось с заморозкой базовых скелетов и совместной оптимизацией маршрутизирующей головки с помощью low-rank адаптеров ранга 256. Функция потерь объединяет кросс-энтропию сглаживания меток и Brier loss для калибровки.

Бенчмарки: где побеждает Clef и где уступает

В рамках шортлиста из 10 бенчмарков Cloudflare из пакета Decision Index 0.2.1 модель Clef показала лучший результат в семи тестах. Например, на BANKING77 (macro-F1) показатель составил 94.20 против 79.74 у Jev, на CLINC150+OOS — 97.43 против 89.27, а в задачах с бытовой техникой Clef-flash набрала 97.73 против 52.27 у конкурента.

Тем не менее, Jev сохраняет лидерство в других тестах. Согласно полной карточке модели, Jev опережает в GPQA Diamond (78.3 против 48.0), MMLU-Pro (82.7 против 65.9) и BBH (92.9 против 73.7). В собственных тестах рабочих процессов TypeSide модель Clef оказалась сильнее в трех из четырех категорий: обработка инвойсов (64.7 против 61.8), клиентский сервис (76.3 против 76.0) и инциденты безопасности (62.9 против 61.7). В задачах мониторинга трасс агентов лидирует Jev с результатом 71.6 против 68.5.

Развертывание и тонкая настройка

Вызывать обе модели можно через биндинг Workers AI (env.AI.run()), REST API или шлюз AI Gateway. Для самостоятельного хостинга в карточках указано тестирование на одном ускорителе H200 с весами в формате BF16. Дополнительно Cloudflare анонсировала сервис обучения с подкреплением для адаптации Clef под приватные данные клиентов.

На первом этапе проект реализуется силами инженеров Cloudflare, а в дальнейшем появится самостоятельная платформа. Конвейер объединяет инфраструктуру AI Gateway, Workers AI, Containers и новый компонент Trainer. Желающие могут подать заявку через специальную форму для партнеров по дизайну.