Cloudflare 於 10 月 9 日發表 Clef-omni，為旗下「決策模型」系列補上音訊與完整影片輸入。模型權重已上架 Hugging Face，授權為 Apache 2.0，託管版則在 Workers AI 上運行。距離 Clef 與 Clef-flash 首度推出，只隔了八天。
決策模型要做的事情很單純：呼叫端提供一個狀態與一組預先設定的問題，每個問題附上幾個選項，模型替每個選項打出機率，不產生自由文字，也不需要解析輸出。Cloudflare 列舉的內部應用包括：在 GitHub 文件儲存庫中辨識並關閉垃圾 issue、在外掛庫中篩選釣魚內容、掃描資料中的身分證字號等個人資訊，以及判定惡意網域。
一次呼叫處理四種輸入
先前的 Clef 可處理文字、圖片，以及從影片中擷取的畫格。Clef-omni 則直接接收 WAV、MP3 音訊與 MP4、WebM 影片，音軌與畫面同步處理。它同樣不做轉錄或描述，只跑一次預填充（prefill），就把所有模態與所有選項一併評分。
Cloudflare 公布的中位數延遲為：純文字約 130 毫秒、圖片約 150 毫秒、音訊數百毫秒，21 秒有聲影片約 1.5 秒。
底座是阿里巴巴的 Qwen3-Omni-30B-A3B-Instruct，屬於混合專家（MoE）模型。Cloudflare 保留了理解的部分，拿掉與語音合成相關的元件，凍結主幹並以 LoRA 微調，再加上一個小型 Transformer 評分頭。模型卡載明，單張 H200 即可以 bfloat16 執行，主幹約需 64GB 顯示記憶體。
分數並未全面勝過前代
在 Cloudflare 自己的比較表中，Clef-omni 在多數項目上不及純視覺版的 Clef。工具檢索 ToolRet 為 66.6 對 69.19，判斷何時該呼叫工具的 When2Call 為 63.3 對 72.37，釣魚辨識 PhishNChips 為 73.2 對 79.60；差距最大的是家電指令一項，69.3 對 82.95。銀行意圖分類 BANKING77 與意圖辨識 CLINC150+OOS 這兩項，它則略高於 Clef。
若以 TypeSafe 的決策模型 Jev 作為參照，Clef-omni 在 When2Call 上落後 17 分以上，在 BANKING77 上領先 15 分。這些分數均由 Cloudflare 自行公布，評測細節在部落格中並未多加說明。
同日的兩項調整
Clef-flash 的託管價格從每百萬輸入 token 0.09 美元降到 0.038 美元，Cloudflare 表示這樣已比 Jev 便宜。代價是託管版的上下文視窗從 64k 縮減為 24k，理由是僅有 0.24% 的請求超過 24k；Hugging Face 上的開源權重不受影響，仍以 256k 訓練。Clef 價格不變，Cloudflare 將推論遷移到 SGLang 後，中位數延遲加快了 1.7 到 2.0 倍。
又一個千問底座
三天前，微軟的 Decision-1 同樣是專攻選擇題的決策模型，底座是千問 9B。這一週內，兩家美國公司先後推出同類產品，都選了阿里巴巴的開源模型當底座。對中國的開發者而言，Clef 系列權重可直接下載、授權寬鬆，API 又宣稱與 Jev 相容，自行架設審核、路由或工單分流服務的門檻不高；至於 Workers AI 託管服務在中國境內的連線狀況，Cloudflare 並未特別說明，正式上線前得自行實測。
參考來源：Cloudflare 官方部落格、Hugging Face 模型卡（授權、底座與顯示記憶體需求）、CocoLoop、IT 之家、RuntimeWire；基準分數與價格皆依 Cloudflare 自行公布的口徑。