Инструменты · 2 октября 2026 г.
Cloudflare выпустила открытые модели решений Clef и Clef-flash
Clef и Clef-flash возвращают структурированные оценки для задач классификации. Cloudflare также начала предлагать настройку Clef с подкреплением.
Что Cloudflare называет моделью решений
Cloudflare представила Clef и Clef-flash — две модели, которые должны выдавать ограниченные структурированные ответы для задач принятия решений. Вместо свободного текста они классифицируют входные данные по заданным полям и возвращают типизированные значения с оценками вероятности. Например, по сообщению клиента система может определить срочность, ответственную команду и серьёзность проблемы.
Такие модели предназначены для этапа, когда агенту нужно выбрать следующий шаг: направить обращение специалисту, повысить приоритет, запросить дополнительные сведения или передать решение человеку. Большая языковая модель полезна, когда требуется рассуждать и формулировать открытый ответ. Модель решений решает более узкую задачу — выбрать из заранее заданных вариантов и вернуть результат в предсказуемом формате.
В качестве внутреннего примера Cloudflare описывает классификацию доменов для команды Threat Intelligence. Модель получает домен, загружает и отображает сайт с помощью Browser Run, а затем оценивает возможные категории. Компания сообщает о времени 2,2 секунды для этого процесса; сравнение с gpt-oss-120b в том же сценарии заняло 4,7 секунды и дало только две классификации. Это результаты теста Cloudflare, а не независимого измерения.
Clef доступна через Workers AI и Hugging Face
Обе модели размещены в Workers AI, а веса опубликованы на Hugging Face по лицензии Apache 2.0. По заявлению Cloudflare, Clef совместима с API Typesafe Jev, а её контекстное окно составляет 64 тысячи токенов. У Jev в статье указано 32 тысячи. Также Clef умеет учитывать изображения благодаря визуальному кодировщику, тогда как описанная Cloudflare версия Jev классифицирует текст.
Компания представила результаты на нескольких наборах проверок, включая классификацию обращений, выбор инструментов и обнаружение фишинга. В таблицах есть показатели точности, F1 и ранжирования, а также задержки. Они помогают понять, какие задачи Cloudflare считает релевантными для модели, но сами по себе не показывают, как Clef поведёт себя на данных конкретного продукта. Для практического сравнения понадобятся одинаковые входы, схема вариантов, метрика качества и условия запуска.
Clef-flash позиционируется как более быстрый вариант для сценариев, где важна задержка. Cloudflare приводит медианную задержку 38,8 мс для Clef-flash и 209,3 мс для Clef на своей таблице из 43 оценок. Эти цифры относятся к настройке и методике компании; перед внедрением стоит проверить задержку всей цепочки, включая сеть, извлечение контекста и вызов последующих инструментов.
Как устроен подход к генерации ответа
По описанию команды, в основе Clef лежит Qwen, дообученный для задач классификации по заданной схеме. На этапе вывода модель сначала обрабатывает вход, затем параллельно оценивает допустимые варианты значений. Она не генерирует промежуточный текст токен за токеном, как обычная авторегрессионная языковая модель. Такой способ должен ускорить выбор среди заранее определённых ответов.
Для Clef Cloudflare использует Qwen3.8-27B, а для Clef-flash — Qwen3.5-9B. Компания описывает отдельные компоненты внимания и маршрутизации контекста, а также калибровку вероятностей при обучении. В качестве дополнительной цели она разработала RLCD — метод обучения с подкреплением для калиброванных решений. Это техническое описание опубликовано самой командой; подробности реализации и независимая оценка пока ограничены материалом анонса.
Структурированный ответ может упростить интеграцию с агентом, потому что маршрутизация обращений и вызов инструментов зависят от конкретных полей. Но предсказуемый формат не гарантирует правильную классификацию. Если модель неверно оценила категорию или вероятность, автоматизация так же быстро отправит задачу не туда. Поэтому критичные решения требуют порогов уверенности, журналирования и пути эскалации к человеку.
Настройка моделей с подкреплением пока начинается как услуга
Вместе с моделями Cloudflare анонсировала новый продукт для настройки Clef под конкретные рабочие процессы. На первом этапе компания предлагает совместную работу с инженерами, которые помогут подготовить модель для задачи клиента. Позже планируется платформа самообслуживания, где клиенты смогут собрать данные, выполнить настройку и развернуть полученную модель в Cloudflare.
Компания описывает предполагаемый конвейер из нескольких продуктов: AI Gateway для сбора запросов и ответов, Workers AI для генерации примеров работы модели, Containers как среду для экспериментов с подкреплением, новый компонент Trainer для обновления весов и развёртывание модели в Workers AI. В статье часть этих возможностей названа находящейся в разработке, поэтому анонс не означает, что весь самостоятельный процесс уже доступен.
Идея настройки отражает компромисс: модель общего назначения может уступить специализированной на узком наборе корпоративных примеров. Cloudflare связывает перспективу такого подхода с собственными сетевыми данными и внутренними сценариями сортировки обращений, заявок Trust & Safety и классификации ботов. Это объяснение мотивации компании, а не гарантия результата для любого набора данных или заказчика.
Что проверить перед использованием
Clef может быть полезна разработчикам агентов, которым нужно классифицировать сообщения, выбирать инструменты или назначать обращения по строгой схеме. Открытые веса позволяют экспериментировать локально, а размещённые модели — протестировать интеграцию в Workers AI. Для сценариев с низкой задержкой можно отдельно сравнить Clef-flash с более крупной версией и обычной языковой моделью.
Перед внедрением нужно проверить качество на собственных примерах, устойчивость оценок вероятности, поведение на неизвестных категориях и стоимость полной цепочки. Отдельно важно определить, какие данные отправляются в облачный сервис и как работает настройка: в статье Cloudflare обещает не читать, не хранить и не использовать для обучения запросы и ответы hosted-моделей, кроме случаев, когда клиент подключает продукт тонкой настройки. Это заявление компании следует сверить с актуальными условиями сервиса.
Наконец, доступность и зрелость компонентов различаются: базовые модели уже представлены, помощь с настройкой заявлена как услуга, а самообслуживание описано как будущий этап. Бенчмарки и примеры производительности в оригинальной публикации подготовлены Cloudflare. Для выбора модели их стоит считать отправной точкой, а решение принимать после собственного теста на данных, близких к реальному рабочему процессу.