Clef-Flash: Cloudflares 9B-Entscheidungsmodell und was das Cloudflare im Namen tatsächlich bedeutet

Cloudflare/clef-flash ist ein Modell mit 9 Milliarden Parametern, das Fragen mit Wahrscheinlichkeiten statt mit Sätzen beantwortet. Man übergibt ihm einen Zustand – Text, JSON, ein Bild, ein Video-Frame – plus ein Schema mit bis zu 64 benannten Fragen, und es liefert in einem einzigen Vorwärtsdurchlauf einen Score pro erlaubter Option zurück. Es gibt keinen generierten Text zu parsen und keinen Reasoning-Trace zu lesen, denn es gibt überhaupt keinen Textausgabepfad. Es ist die kleinere Hälfte eines Paares: Cloudflare/clef ist das 27 Milliarden Parameter große Geschwistermodell, das zeitgleich damit veröffentlicht wurde, und ein drittes Familienmitglied, Cloudflare/clef-omni, ergänzt Audioeingabe auf einem 30B-Mixture-of-Experts-Backbone. Alle drei stammen von Cloudflare selbst – das ist die Tatsache, die man am ehesten genau richtig treffen sollte, denn wer über die Suche nach dem Namen dieses Modells hierher kommt, bringt meist eine von zwei Annahmen mit – dass Cloudflare/clef-flash eine von Cloudflare gehostete Kopie des Modells eines anderen ist, oder dass Cloudflare lediglich der Host ist – und beide liegen in dieselbe Richtung falsch.

Was Clef-Flash ist und was es nicht ist

Die eigene Ein-Satz-Beschreibung des Anbieters, die sowohl auf der Hugging-Face-Modellkarte als auch auf der Workers-AI-Modellseite wiederholt wird, lautet, dass es „einen Zustand und ein Schema typisierter Fragen in Entscheidungen umwandelt“. Das ist eine engere Behauptung, als es klingt, und es lohnt sich, sie vor jedem Benchmark auseinanderzunehmen.

Jede Frage in Ihrem Schema deklariert einen von drei Typen:

• noul — eine Ja/Nein-Entscheidung, die die Wahrscheinlichkeit zurückgibt, dass die Antwort wahr ist, mit optionalen Beschreibungen dessen, was ein Ja und ein Nein im Kontext dieser Frage bedeuten.

• Auswahl — eine benannte Optionsmenge aus 2 bis 255 Einträgen, die die gewinnende Option, eine Wahrscheinlichkeit pro Option und eine Konfidenz zurückgibt.

• score — ein geordnetes Bewertungsschema mit 2 bis 10 Stufen, das eine wahrscheinlichkeitsgewichtete Stufe zurückgibt, die zwischen den Stufen liegen kann, eine Legende, die den Index der Beschreibung zuordnet, Wahrscheinlichkeiten pro Stufe und eine Konfidenz.

Eine Anfrage enthält 1 bis 64 Fragen, und die Antworten kommen in einem answers-Objekt zurück, dessen Schlüssel deine Frage-IDs sind. Jede Option in jeder Frage wird im selben Durchlauf bewertet, sodass die Kosten eines Schemas mit zwölf Fragen nicht zwölf Aufrufe betragen – es ist einer. Was du auf der anderen Seite bekommst, ist eine Verteilung, kein Satz, und dein Code wendet Schwellenwerte darauf an.

Daraus folgen zwei Dinge, die ein Leser, der dies mit einem Chat-Modell vergleicht, verinnerlichen sollte. Erstens: Es gibt keinen Fehlermodus, in dem das Modell eine Erklärung schreibt, die Sie anschließend parsen müssen, weil Prosa nicht erreichbar ist. Zweitens, und weniger angenehm: Wenn die richtige Antwort nicht in Ihrer Optionsmenge enthalten ist, hat Clef-Flash keinen Mechanismus, Ihnen das mitzuteilen. Es bewertet die Optionen, die Sie geschrieben haben. Nichts im veröffentlichten Request-Schema fügt einen „Keine davon“-Bucket hinzu, es sei denn, Sie fügen selbst einen hinzu.

Das Cloudflare im Namen: drei Rollen, ein Unternehmen

Man sucht nach diesem Modell mit angehängtem Cloudflare — cloudflare/clef-flash, und cloudflare clef flash in einfachen Worten. Es lohnt sich, das Präfix auszuschreiben, denn es verweist auf drei getrennte Ebenen, und nur eine davon ist für das Hosting zuständig.

• Die Organisation, die es trainiert hat. Clef-Flash ist ein Cloudflare-Modell. Der Ankündigungsbeitrag von Cloudflare mit dem Titel „Einführung von Clef: unsere Open-Source-Entscheidungsmodelle und neue RL-Fine-Tuning-Plattform“, veröffentlicht am 1. Oktober 2026 und von Michelle Chen, Alex Reneau und Kevin Flansburg verfasst, beschreibt es als eine von Cloudflare trainierte Veröffentlichung und besagt, dass die Modelle intern aus einem vorgelagerten Open-Weight-Basismodell „nachtrainiert“ wurden. Dies ist kein Checkpoint eines Drittanbieters, den Cloudflare übernommen hat.

• Der Namespace von Hugging Face. Die Gewichte liegen unter huggingface.co/Cloudflare/clef-flash. Deshalb kursiert die Zeichenfolge cloudflare/clef-flash: Sie ist ein Repository-Pfad, in derselben Form wie jedes andere Repository einer Organisation. Das ist der häufigste Grund, warum die beiden Wörter gemeinsam auftreten, und es handelt sich nicht um eine Hosting-Behauptung.

• Der Inferenz-Host, der zugleich Cloudflare ist. Die bereitgestellte Modell-ID ist @cf/cloudflare/clef-flash, ausgeführt über Workers AI unter api.cloudflare.com/client/v4/accounts/<account_id>/ai/run/@cf/cloudflare/clef-flash. Die zu beschreibende Hosting-Konstellation ist also nicht „ein von Cloudflare gehostetes Modell“ im neutralen Sinne eines Marketplace-Eintrags. Es ist der Anbieter, der seine eigenen Gewichte auf seiner eigenen Plattform bereitstellt.

Die praktische Konsequenz ist folgende: Modell, Lizenzgewährung, API-Endpunkt und Rechnung laufen alle auf ein einziges Unternehmen hinaus, und ein Leser, der eine unabhängige Hosting-Schicht dazwischen annahm, hat für diesen Checkpoint keinen zweiten Anbieter, auf den er zurückgreifen kann. Die Apache-2.0-Gewichte sind die einzige Möglichkeit, dem zu entgehen, und sie sind real — mehr dazu unten. Was nicht zutrifft, soweit aus irgendeiner Anbieterseite, die wir finden können, hervorgeht, ist, dass Clef-Flash über einen anderen Inferenzanbieter angeboten wird. Cloudflares eigenes Material nennt keine Drittanbieterplattform, und wir haben keine gefunden, die es anbietet.

Größe, Architektur und Lizenz

Die Zahlen sowohl aus dem Modell-Repository selbst als auch aus Cloudflares Dokumentation lauten heute beide:

• Parameter — 9.409.813.744 in BF16, „9B“ ist also eine Abrundung, keine Übertreibung. Der Vision-Tower zählt zu dieser Gesamtsumme hinzu.

• Backbone — Q3.5-9B, während des Post-Trainings eingefroren, einschließlich seines Vision-Encoders, als standardmäßig geshardete Safetensors gespeichert. Vier Shards, insgesamt etwa 18,8 GB Gewichte.

• Der trainierte Teil — ein „joint schema head", ein kleiner Transformer-Head mit 243,5 MB, der die finalen Hidden States des Backbones liest, Evidenz vom Zustand zu jeder Frage weiterleitet und jede Option jeder Frage gemeinsam bewertet. Ein Logit pro zulässiger Option; Softmax pro Frage liefert die Verteilung.

• Trainingsmethode, wie Cloudflare sie beschreibt — der Routing-Kopf, der zusammen mit Low-Rank-Adaptern vom Rang 256 über einem Backbone optimiert wird, mit label-geglätteter Kreuzentropie für die Validität, kombiniert mit einem Brier-Verlust zur Wahrscheinlichkeitskalibrierung, plus ein sekundäres Ziel, das Cloudflare Reinforcement Learning for Calibrated Decisions nennt.

• Lizenz — Apache-2.0, „dem Basismodell folgend“, in den eigenen Worten der Model Card. Die kommerzielle Nutzung wird durch die Lizenz nicht eingeschränkt, und der Zugriff auf die Gewichte ist nicht beschränkt: Das Repository lässt sich ohne Zugriffsanfrage herunterladen.

Die Form der Sache – alles Trainierte sitzt in einem 243-MB-Kopf, der an ein eingefrorenes 18,8-GB-Backbone geschraubt ist – ist der Grund, die Architekturbeschreibung ernst zu nehmen, statt sie als Marketing abzutun. Das Modell kann kein neues Weltwissen gelernt haben, weil sich die wissenstragenden Gewichte nie bewegt haben. Was es gelernt hat, ist, Evidenz in eine Entscheidung zu leiten. Das ist eine echte Fähigkeit – und eine begrenzte –, und sie erklärt das Benchmark-Muster weiter unten auf dieser Seite besser als jede Genauigkeitsaussage.

Kontextfenster und die Ausgabeobergrenze

Dies ist die Zahl, die sich verändert hat, und wenn du heute einen Prompt dimensionierst, solltest du die aktuelle Zahl heranziehen statt irgendeiner Zahl, die seit dem Start im Umlauf ist.

Cloudflares Workers-AI-Modellseite für @cf/cloudflare/clef-flash, gelesen am 12. Oktober 2026, gibt ein Kontextfenster von 24.576 Token an. Der Ankündigungsbeitrag vom 1. Oktober nennt etwas anderes – „unser Modell hat ein 64k-Kontextfenster (im Vergleich zu Jevs 32k)“ – und der eigene encode_record-Helfer auf der Hugging-Face-Karte verwendet standardmäßig max_length=16,384. Zum Vergleich: Die Workers-AI-Seite für das 27B-clef gibt 65.536 Token an und die Seite für clef-omni gibt 64.000 an.

Die ehrliche Lesart: Die aktuelle Herstellerdokumentation für genau dieses Modell nennt 24.576, und der Launch-Post sagte 64k. Das sind zwei Quellen des Herstellers selbst, die einander widersprechen, und nur eine davon ist die Seite, gegen die ein Entwickler integriert. Wenn du einen Prompt auf ein 64K-Budget ausgelegt hast, weil du dich auf die Ankündigung verlassen hast, liegt die dokumentierte Obergrenze jetzt bei ungefähr einem Drittel davon. Prüfe, bevor du sendest.

Medieneingaben werden abgerechnet und auf dasselbe Budget angerechnet – das ist das Detail, das am härtesten zuschlägt. Bilder werden in 32×32-Pixel-Patches tokenisiert, mit drei Marker-Tokens, und jedes Bild ist auf 1.024 Tokens begrenzt; ein Bild über etwa einem Megapixel wird herunterskaliert, eines unter ungefähr 65.000 Pixeln wird heraufskaliert. Wenn Medien-Tokens plus Ihre Frage-Tokens das Fenster überschreiten, schlägt die Anfrage direkt fehl. Wenn sie das nicht tun, wird der Text-Zustand gekürzt, um in den Rest zu passen – still, vom Ende her, ohne dass ein Fehler ausgelöst wird. Ein Schema, das an einem Tag passt, wird an einem dokumentenreichen Tag still einen Teil seines Zustands verlieren.

Die maximale Ausgabe wird nicht veröffentlicht.Auf Cloudflares Modellseite steht nur, dass „Clef-Modelle keine Gebühren für Ausgabe-Tokens berechnen", und das Antwortschema enthält ein usage.output_tokens-Feld ohne dokumentierte Obergrenze. Das ist keine Auslassung, die man mit einer Vermutung übertünchen sollte: Ein nicht-autoregressiver Scorer hat kein Dekodierbudget im Sinne eines autoregressiven Modells, und der Anbieter dokumentiert kein Limit, also gibt es auch kein Limit, das man nennen könnte. Wenn Sie eines benötigen, sollten Sie sich Gedanken über Ihre Optionsanzahl und Ihre Fragenanzahl machen, nicht über die ausgegebenen Tokens.

Modalitäten als Eingabe, und genau das, was zurückkommt

Die Beschreibungen des Anbieters und das Anfrageschema stimmen auf der Eingabeseite überein und weichen in einem Punkt geringfügig voneinander ab, deshalb folgt hier die Aufteilung.

• Eingaben, gemäß der Modellkarte — Text, JSON oder strukturierte Daten jeder Form, Bilder und Arrays von Videoframes. Rein textbasierte und multimodale Datensätze können in einem einzigen Batch gemischt werden, und Medienparameter werden über ein optionales media_kwargs-Feld an den Prozessor weitergegeben.

• Eingaben gemäß dem Workers AI-Anfrageschema — die dokumentierte Parameterliste führt ein images-Array und keinen Video-Parameter auf, mit maximal 4 Bildern, 4 MiB und 16 Megapixel pro Bild, 8 MiB insgesamt dekodiert und einer Obergrenze von 13 MiB für den gesamten Request-Body. Nur eingebettete Bytes: Remote-URLs werden nicht akzeptiert.

• Output — probabilities over the options you defined, in the answers object, in one of three shapes depending on the question type. No free-form text, no markdown, no tool calls.

Lies diesen Unterschied als Unterscheidung der Hosting-Oberfläche, nicht als Widerspruch. Der Checkpoint dokumentiert Videoframes; der Workers-AI-Endpunkt, den du über HTTP aufrufst, dokumentiert Bilder. Wenn Video Teil deines Plans ist, ist der zu prüfende Pfad der selbst gehostete.

Was Cloudflare behauptet, und was tatsächlich gemessen wurde

Jede Zahl in diesem Abschnitt stammt von Cloudflare, und Cloudflare hat alles davon ausgeführt. Das ist der wichtigste Satz auf dieser Seite, deshalb lohnt es sich, bei der Maschinerie konkret zu werden.

Die Benchmark-Suite ist der Decision Index 0.2.1. Die Modellkarte beschreibt die Ergebnisse als „unseren internen Lauf“, und die öffentliche Rangliste, auf die sie verlinkt, wird unter einer von Cloudflare betriebenen Adresse gehostet. Das durchgängige Vergleichsmodell ist TypeSafe's Jev, und die End-to-End-Zahlen zu Geschäftsworkflows stammen aus Typesafe Evals. Die Gegenüberstellung ist also ein Anbieter, der sein eigenes Modell auf einem Index misst, der nach dem Wettbewerber benannt ist, gegen den es gemessen wird, und der das Ergebnis selbst veröffentlicht. Es gibt keine unabhängige Bewertung von Clef-Flash. Stand heute: Artificial Analysis hat keine Modellseite dafür, und die LMArena-Text-Rangliste führt überhaupt kein mit Cloudflare gekennzeichnetes Modell auf. Wenn ein Anbieter keine Drittanbieter-Bewertung veröffentlicht, ist das bereits der Befund.

Mit diesem Label versehen, sind die entscheidungsförmigen Ergebnisse wirklich stark: BFCL case-exact 98.8, API-Bank-Genauigkeit 93.1, ContractNLI macro-F1 84.3, RouterBench 79.9, FinEntity 97.1 und ein case-exact von 97.7 für einen Haushaltsgeräte-Simulator – wobei Letzteres vierzehn Punkte über dem größeren 27B Clef in derselben Zeile liegt. Auch die Allgemeinwissen-Zeilen halten stand: MMLU 91.8, ARC-Easy 99.5, ARC-Challenge 98.3, WinoGrande 97.5, HellaSwag 98.6, CLadder 97.7 und ein ForecastBench-Brier von 10.6, der beste Wert in seiner Spalte und genau die Art von Kalibrierungszahl, an der ein Wahrscheinlichkeiten erzeugendes Modell gemessen werden sollte.

Die Verluste gehören in denselben Absatz, und sie haben eine Form. Auf CLINC150 mit Out-of-Scope-Behandlung erreicht Clef-Flash 66,8 Macro-F1 gegenüber 97,4 für 27B Clef und 89,3 für Jev. Auf ANLI erreicht es 59,1 gegenüber 74,8 für Jev. When2Call 65,6 gegenüber 81,0. GPQA Diamond 51,0 gegenüber 78,3. RAGTruth 35,6 gegenüber 76,5. Und auf POP909-CL, einem Benchmark für Akkordkennzeichnung, liefert es 1,6.

Ein Wert von 66,8 bei der Erkennung von Out-of-Scope-Intents neben 97,7 bei der Gerätesteuerung ist keine glatte Fähigkeitskurve. Es ist das Profil eines Scorers, der sehr gut in den Klassifikationsformen ist, auf die er nachtrainiert wurde, und deutlich schwächer darin, die Klassifikation zu verweigern, wenn die richtige Antwort „keines davon“ lautet – was, unangenehmerweise, genau die Beurteilung ist, die eine Routing-Schicht oder eine Triage-Pipeline am meisten braucht. Die 1,6 bei der Akkordbeschriftung ist entweder ein Format-Mismatch oder ein echtes Versagen, und die Karte unterscheidet nicht.

Workflow-Ergebnisse von Typesafe Evals sind gemischter als die Schlagzeilen-Zeilen: Rechnungsverarbeitung exakte Aktionen 57,1 gegenüber Clefs 64,7 und Jevs 61,8; Kundenservice exakte Aktionen 77,0, vor beiden; Sicherheitsvorfälle 61,7; Agent-Trace-Observability 69,8. Das 27B-Geschwistermodell gewinnt in der Workflow-Tabelle drei von fünf Zeilen.

Latenz ist der Punkt, an dem das Modell seinem Namen gerecht wird, und derselbe Vorbehalt gilt. Mediane Anfragelatenz 38,8 ms und p95 122,4 ms, gemessen von Cloudflare auf Cloudflare-Infrastruktur, gegenüber 209,3 / 238,6 für das 27B Clef. Absolute Millisekunden von der eigenen Hardware eines Anbieters sind keine obere Schranke für irgendetwas und keine untere Schranke für irgendetwas; die Reihenfolge ist die Behauptung, und die Reihenfolge – etwa fünfmal schneller als das eigene größere Geschwistermodell – ist die Architektur, die tut, was sie sagt.

Wie ein Leser es tatsächlich nennt

Es gibt zwei Wege, und sie sind wirklich unterschiedliche Bekenntnisse.

Die gehostete Route. Rufe sie auf Workers AI als @cf/cloudflare/clef-flash, aus einem Worker heraus über das env.AI.run()-Binding, oder über REST am Cloudflare-API-Endpunkt mit einem Bearer-Token. Erforderliche Felder sind model, state und questions; der model Selektor muss dem Muster ^\s*(clef|clef-flash)\s*$ entsprechen, wodurch die 27B- und 9B-Varianten am selben Endpunkt unterschieden werden. Die Preisgestaltung auf der Workers AI-Modellseite und der Workers AI-Preisseite beträgt 0,038 $ pro Million Input-Tokens, wobei Medien zum gleichen Satz in Input-Tokens umgewandelt werden und für Output-Tokens keine Kosten anfallen.

Die selbst gehostete Route. Die Gewichte stehen unter Apache-2.0 und sind nicht zugangsbeschränkt, sodass Sie sie selbst ausführen können. Die Modellkarte dokumentiert einen Referenzpfad aus torch 2.11 und transformers 5.10.2 auf einer einzelnen H200, mit pillow für Bild- und Videoeingaben, und verweist auf ein SGLang-Cookbook für Startbefehle auf H200, B200 und B300. So bereitgestellt antwortet das Modell unter /v1/systemone.

Dieser Weg ist nicht nebensächlich, denn er ist der Grund, warum es sich lohnt, dieses Modell zu verstehen, statt es nur zu benutzen. Clef-Flash ist laut der Karte „vollständig kompatibel mit Jev und SystemOne“: Es akzeptiert einen Jev/SystemOne-Anfragekörper und gibt denselben Antwortkörper zurück – Modell, Antworten mit der Frage-ID als Schlüssel, Nutzung. Die Kompatibilität war bewusst genug, dass ein späterer Commit im Repository den systemone Einstiegspunkt explizit hinzufügt. Wenn Ihre Pipeline einem Entscheidungsmodell bereits Fragen in dieser Form stellt, ist die Ersetzung durch dieses Modell ein Modell-String und eine URL, keine Migration. Das ist eine echte Reduzierung der Wechselkosten, und es ist die eine architektonische Tatsache hier, die ändert, was ein Leser vermag zu tun.

Eine Routing-Anmerkung, als Tatsache formuliert und nicht als Werbebotschaft: OrcaRouter bedient nicht Cloudflare/clef-flash. Wir haben heute unseren Live-Katalog geprüft, und dort ist es nicht zu finden, und nichts auf dieser Seite sollte als Behauptung gelesen werden, dass dem so sei. Was unser Katalog jedoch führt, ist das Modell, für das Clef-Flash als Drop-in-Ersatz gebaut wurde – TypeSafe's Jev 1.13 steht in unserem Katalog zu $0.042 pro Million Input-Tokens in seiner Preistabelle (das Quick-Facts-Badge der Seite rundet das auf $0.04), mit einem 65K-Token-Kontext und demselben POST /v1/systemone-Endpunkttyp. Da beide dasselbe Wire-Format sprechen, ist der Wechsel zwischen ihnen eine Konfigurationsänderung statt einer Neuentwicklung – genau der Grund, beide über einen einzigen Schlüssel erreichbar zu halten, statt eine Architektur auf das zuerst ausgelieferte Modell festzulegen. OrcaRouter läuft auf Anbieter-Listenpreis, der ohne Aufschlag durchgereicht wird, sodass eine Preisänderung bei einem der beiden Anbieter bei uns am selben Tag live ist.

Was ist noch offen?

Drei Dinge, in der Reihenfolge, in der sie das Bild verändern würden.

Jemand außerhalb von Cloudflare muss die Out-of-Scope- und die Haushaltsgeräte-Zellen von CLINC150 gemeinsam reproduzieren, weil sie in entgegengesetzte Richtungen weisen und der veröffentlichte Lauf für keine von beiden einen Mechanismus liefert. Wenn die 66,8 einer unabhängigen Prüfung standhält, ist das die operativ wichtigste Tatsache über Clef-Flash, und sie taucht nicht in der Stärkenliste der Ankündigung auf.

Das Kontextfenster braucht eine einzige abgestimmte Zahl vom Anbieter. Derzeit sagt die eigene Dokumentationsseite des Modells 24.576 Tokens, der Launch-Beitrag sagt 64k, und der mitgelieferte Encoding-Helfer ist standardmäßig auf 16.384 eingestellt. Wer einen Produktions-Prompt dimensioniert, muss sich entscheiden, welcher von drei Aussagen des Anbieters er glaubt.

Und die Kategorie braucht Kontakt mit realen Workloads in Produktionsvolumen. Cloudflares Darstellung ist, dass Entscheidungsmodelle im Hot Path sitzen – ein Beispiel zur Domänenklassifizierung in ihrem Beitrag hat Clef, das in 2,2 Sekunden ein Urteil zurückgibt, gegenüber 4,7 Sekunden für ein Allzweckmodell bei derselben Aufgabe. Das ist eine spezifische und überprüfbare Behauptung über einen bestimmten Workflow, und sie wird von Leuten entschieden, die ihn betreiben, nicht von einer Tabelle.