Cloudflare发布Clef与Clef-flash决策模型，标称 39 毫秒延迟并兼容Jev API
两款基于Qwen的决策模型运行在Workers AI上，以Apache-2.0许可在Hugging Face开放，Cloudflare称Clef-flash中位延迟约 39 毫秒，并称“人类不一定需要留在智能体决策回路中”。
AI解读：Cloudflare做了一套专门给AI智能体做选择用的模型，叫Clef和Clef-flash。它不写长文回答，只输出一个简短分类和对应概率，比如把用户留言标成“紧急”并指定该由哪个团队处理，后面的代码就能据此派单或升级。
这套东西的卖点是快。Cloudflare自报Clef-flash中位延迟约 39 毫秒，Clef约 209 毫秒，而它对照的Jev超过 524 毫秒。它同时保留Jev兼容的API，明显是冲着切换成本去的。
对做客服、风控、网页分类的团队，这意味着可以用更快、更便宜的方式做自动分流，不用每次都调大语言模型生成一段文字再解析。但概率分类不等于不会选错，Cloudflare的基准和延迟都是自家报告，真实效果还得看独立验证。
Cloudflare发布了两款面向AI智能体的决策模型Clef与Clef-flash，主打的不是生成文字，而是给输入快速返回分类和概率。Cloudflare在声明中称，“人类不一定需要留在智能体决策回路中”，智能体可以自行收集上下文、做决定并执行，必要时再交给人类。
决策模型在输入上同时回答多个预设问题，每个选项给出一个概率。Cloudflare举的例子是：收到一条客服消息，Clef判断其紧急程度并识别应由哪个团队处理，下游代码据此路由工单、触发升级或转给人工。
Cloudflare自报Clef-flash中位延迟约 39 毫秒，Clef约 209 毫秒，作为对照的TypeSafe AI的Jev为 524 毫秒出头。Cloudflare称在 43 项基准测试中，Clef与更小的Clef-flash都快于所有相关竞品决策模型。
定位：语言模型与传统分类器之间
Cloudflare把决策模型描述为填补大语言模型与传统分类器之间的空档。语言模型能推理和调用工具，但输出不稳定且可能较慢；传统分类器快，但每增加一个新类别就需要重新训练。
Clef的命名来自音乐中的谱号，谱号给五线谱上的线赋予音高，Cloudflare用这个类比说明决策模型为后续动作设定框架。文章也点出，Clef与Jev的读音相近，可能并非巧合。
Cloudflare将Clef视为对TypeSafe AI的Jev模型的直接回应，并保持API完全兼容，以便客户切换。
- 决策模型一次调用可回答多个预设问题，每个答案返回一个概率。
- 根据Cloudflare说法，其威胁情报团队已用Clef分类网站：一个域名被判定为时尚网站的概率 95%、为在线商店的概率 85%、为钓鱼网站的概率低于 1%。
- 同一案例中，抓取、渲染并分类该网站耗时 2.2 秒，而该公司最快的通用语言模型耗时 4.7 秒且只返回两个类别。
- Cloudflare称Clef可处理图像，而Jev目前仅限文本；Clef的 64,000 token上下文窗口是Jev的两倍。
技术底座：基于Qwen，沿用RLCD训练
据Cloudflare，Clef基于Qwen3.8-27B，Clef-flash基于更小的Qwen3.5-9B。训练期间基础模型保持不变，Cloudflare用自家合成数据训练额外组件，这些组件从模型内部计算中推导出答案选项和概率。
Cloudflare还使用了自己变体的RLCD（Reinforcement Learning for Calibrated Decisions），即TypeSafe训练Jev所用的方法。RLCD训练模型在一次调用中回答多个关于输入的问题，目标是让给出的概率与答案实际正确的频率相符。
Cloudflare此前曾尝试用DiffusionGemma从语言模型内部计算中推导固定决策值。
自报基准：Clef与Jev的准确率对比
Cloudflare在自家基准及Jev Decision Index上称Clef领先。文章列出了部分准确率数字：API Bank上Clef为 91.93、Clef-flash为 93.11、Jev为 88.19、DiffusionGemma为 83.66、Jev Kev 9B为 56.30、Laya为 11.41；When2Call上分别为 72.37、65.58、80.97、75.44、49.62、11.94；PhishNChips上分别为 79.60、75.05、62.55、85.35、50.75、50.15。
Cloudflare自报数字称，Clef决策质量最高，Clef-flash则以远低于Jev的延迟接近其准确率。这些数字均来自Cloudflare自身，文章未给出独立验证结果。
微调服务与内部用途
随发布一同推出的还有一项强化学习服务，允许客户针对自己的任务微调Clef。初期由一支前向部署工程师团队与客户一起完成微调，自助平台计划稍后推出。
客户可通过AI Gateway记录请求来构建数据集，并在充当RL沙箱的容器中评估这些请求。新的trainer组件让客户能将微调后的模型部署到Workers AI。Cloudflare使用其在 2025 年底收购的Replicate的技术来运行自定义模型。计划中的自助平台将记录生产数据、用强化学习微调Clef，并直接重新部署定制模型。
Cloudflare表示计划内部使用Clef做滥用报告审核、支持请求分类，以及区分有益与有害的机器人。两款模型运行在Cloudflare的Workers AI平台上，并以Apache-2.0许可证在Hugging Face提供。
背景：Jev与OpenAI Decisions API在前
这一路线由TypeSafe AI推广，该公司由前OpenAI研究员Diogo Almeida创立，于 9 月中旬推出Jev。TypeSafe将Jev宣传为“没有幻觉”的模型，但文章指出，这只保证它停留在预设答案选项内，并不能防止它选错答案。
9 月下旬，OpenAI跟进推出基于GPT-6 Luna的Decisions API，同样接受文本或图像形式的上下文。
文章称Cloudflare主要运营内容分发、DNS和安全服务的全球网络，其自研AI模型此前关注度不高，近期AI相关新闻集中在让网站所有者控制访问，例如 7 月允许站点运营者按用途拦截或放行AI机器人。