Clef-Flash ist ein 9B-Modell, das niemals ein Token schreibt – und Cloudflares Blog erschien fast einen Tag nach den Gewichten.

Cloudflare/clef-flash ist ein multimodales Modell mit 9 Milliarden Parametern, das einen Zustand und ein Schema typisierter Fragen entgegennimmt und für jede zulässige Antwort eine Wahrscheinlichkeit zurückgibt. Es erzeugt keinen Text. Nicht „es erzeugt Text schlecht“ – es hat überhaupt keinen Textausgabepfad. Das Repository dafür erschien am 30. September 2026 um 21:15 UTC auf Hugging Face unter Apache-2.0; Cloudflares Ankündigungsbeitrag, der es zusammen mit dem größeren 27B-Cloudflare/clef vorstellte, wurde am folgenden Tag um 15:34 UTC veröffentlicht. Etwa achtzehn Stunden lang existierten die offenen Gewichte und der gehostete Workers-AI-Endpunkt öffentlich, bevor der Anbieter ein Wort darüber verlor, und diese Reihenfolge ist die interessanteste Tatsache der Veröffentlichung – interessanter, für jeden, der entscheidet, ob er dies in eine Pipeline einbindet, als jede einzelne Benchmark-Zeile.

Eine zweite, kleinere Unstimmigkeit kam zwei Tage später hinzu. Die Bibliotheksseite einer Drittanbieter-Laufzeitumgebung für clef-flash, wo der Radar dieses Artikels das Modell zuerst gesehen hat, führt es in ihrer Modelltabelle mit einem „256K-Kontextfenster“ auf, während sie Cloudflares eigenen Readme-Text – „64K-Kontextfenster: Doppelt so viel Zustand, wie Jevs 32K-Fenster fasst“ – ein paar Zeilen darüber rendert. Die beiden Zahlen können nicht beide richtig sein, und die Dokumentation des Anbieters entscheidet die Sache zugunsten der kleineren. Diese Art von Abweichung sollte man gleich zu Beginn benennen, denn alles andere in diesem Beitrag hängt von derselben Frage ab: Welche Zahlen stammen vom Anbieter, welche von einem Mirror, und welche wurden von jemandem überprüft, der nicht der Anbieter ist.

Was tatsächlich ausgeliefert wurde und in welcher Reihenfolge?

Der Datensatz, in Reihenfolge:

• 30. September 2026, 21:15:35 UTC — Cloudflare/clef, das 27B-Modell, wird auf Hugging Face erstellt.

• 30. September 2026, 21:15:36 UTC — Cloudflare/clef-flash wird eine Sekunde später erstellt. Beides sind Fine-Tunes von Qwen-Basen: Clef von Qwen3.8-27B, Clef-Flash von Qwen3.5-9B.

• 1. Oktober 2026, 15:23 UTC — das Repository von clef-flash wurde zuletzt geändert, was ungefähr dem Zeitpunkt entspricht, zu dem der Model-Card-Text, den wir zitieren, geschrieben wurde.

• 1. Oktober 2026, 15:34 UTC — „Einführung von Clef: unsere Open-Source-Entscheidungsmodelle und die neue RL-Fine-Tuning-Plattform" erscheint im Cloudflare-Blog, wo beide Modelle auf Workers AI gehostet und ein Fine-Tuning-Service rund um sie gestartet wird.

• 2.–3. Oktober 2026 — Drittanbieter-Runtimes greifen die Gewichte auf; eine Bibliotheksseite einer Drittanbieter-Runtime und quantisierte Community-Builds erscheinen.

Das ist also kein Leak, kein stiller Start und kein nicht angekündigter Checkpoint, den ein Leser als Gerücht behandeln muss. Es ist ein GA-Release mit einem Blogbeitrag, einer gehosteten API auf Cloudflares eigenen Edge-GPUs, einer Apache-2.0-Lizenz für die Gewichte und einer angegliederten kommerziellen Fine-Tuning-Plattform. Das einzig wirklich Seltsame ist der Achtzehn-Stunden-Vorsprung, den das Repository gegenüber der Ankündigung hatte – lang genug, dass das Modell öffentlich war, während die eigene Marketingseite des Anbieters noch nicht existierte, kurz genug, dass niemand außerhalb von Cloudflare es nennenswert ausgeführt hatte.

Ein Entscheidungsmodell ist kein kleines Sprachmodell

Die Darstellung in Cloudflares Beitrag ist, dass Entscheidungsmodelle eine eigenständige Kategorie sind, und die Architektur untermauert diese Aussage, statt sie nur auszuschmücken. Clef-Flash hält das Qwen3.5-9B-Backbone einschließlich seines Vision-Encoders eingefroren. Darauf sitzt ein kleiner Transformer-Kopf, der Evidenz aus dem Zustand zu jeder Frage leitet und jede Option jeder Frage in einem einzigen Durchlauf bewertet – 243,5 MB Gewichte im Release, gegenüber ungefähr vier geshardeten Backbone-Dateien, die auf 18,8 GB kommen. Cloudflare bezeichnet dies als „nicht-autoregressiv“: Es gibt keine Token-für-Token-Generierung, keinen zwischengeschalteten Reasoning-Text, kein Ausgabe-Parsing. Man erhält einen Logit pro zulässiger Option, wendet Softmax pro Frage darauf an und hat eine Verteilung.

Die Anfrageform ergibt sich daraus. Sie liefern state — einen String oder ein JSON-Objekt oder -Array — eine optionale Liste von Bildern oder Video-Frames und eins bis vierundsechzig benannte Fragen. Jede Frage deklariert einen type: noul für ein Wahr/Falsch-Urteil, das die Wahrscheinlichkeit von wahr zurückgibt, choice für eine benannte Optionsmenge, die die gewählte Option plus Wahrscheinlichkeiten pro Option und eine Konfidenz zurückgibt, oder score für eine geordnete Skala, die eine wahrscheinlichkeitsgewichtete Stufe zurückgibt. Kriterien sind optional für noul und quasi erforderlich für die anderen, und die Doku ist ungewöhnlich unverblümt in Bezug auf eine Falle: Konfidenz „zeigt, wie konzentriert die Wahrscheinlichkeiten sind. Sie ist nicht die Chance, dass die Antwort richtig ist.“ Ein Modell, das selbstsicher antwortet, antwortet nicht unbedingt richtig, und ein Kalibrierungsmaß ist das Einzige, was die beiden trennt.

Diese Unterscheidung ist der eigentliche Grund, sich dafür zu interessieren. Wenn Sie jemals ein Allzweckmodell gebeten haben, ein Support-Ticket zu klassifizieren, und dann versucht haben, die Antwort zu parsen, haben Sie bereits die Steuer gezahlt, die dieses Design entfernt. Clef-Flash kann den Satz „Das sieht nach einem Abrechnungsproblem aus, wahrscheinlich?“ nicht erzeugen, weil es keinen Satz erzeugen kann. Es gibt {"choice": "billing", "probabilities": {"billing": 0.981, ...}, "confidence": 0.924} zurück – das Beispiel stammt direkt aus Cloudflares eigener Dokumentation – und Ihr Code wendet Schwellenwerte darauf an.

Die Zahlen, und wer sie berechnet hat

Jede unten stehende Zahl stammt entweder aus Cloudflares Modellkarte oder aus dem Blogbeitrag, und Cloudflare hat sie alle durchgeführt. Die Suite ist der Jev Decision Index – eine von TypeSafe veröffentlichte Bestenliste, dem Anbieter von Jev, dem Modell, gegen das Clef-Flash gebenchmarkt wird – der Vergleich ist also das eigene Produkt eines Anbieters, gemessen an dem Index eines Konkurrenten, durchgeführt vom Anbieter. Es gibt noch keine unabhängige Bewertung von Clef-Flash, und dieser Artikel gibt nicht vor, dass es anders wäre.

Bei den entscheidungsspezifischen Benchmarks ist Clef-Flash auf eine Weise wirklich stark, die es wert ist, vom Marketing getrennt zu werden: BFCL Case-Exact 98,8, API-Bank 93,1, Haushaltsgeräte-Simulation 97,7, ContractNLI Macro-F1 84,3, RouterBench 79,9. Es schlägt das größere 27B Clef bei BFCL (98,8 gegen 98,5), API-Bank (93,1 gegen 91,9) und der Haushaltsgeräte-Suite (97,7 gegen 83,0) — Letzteres um vierzehn Punkte, was die einzelne überraschendste Zelle in der Tabelle ist und diejenige, die niemand außerhalb von Cloudflare überprüft hat.

Die Verluste sind genauso real und gehören in denselben Absatz. Auf CLINC150 mit Out-of-Scope-Behandlung erzielt clef-flash 66,8 Macro-F1 gegenüber 97,4 beim 27B und 89,3 bei Jev — ein Dreißig-Punkte-Absturz bei der Intent-Erkennung mit einem „Other"-Bucket, der genau der Form der Anfrage entspricht, die eine Routing-Schicht am häufigsten sieht. Auf ANLI erreicht es 59,1 gegenüber 74,8 bei Jev; auf When2Call 65,6 gegenüber 81,0 bei Jev; auf GPQA Diamond 51,0 gegenüber 78,3 bei Jev. Und auf POP909-CL, einem Benchmark zur Akkordbeschriftung, erzielt es 1,6 — eine Zahl, die entweder ein Datenformat-Mismatch oder ein echtes Versagen ist, und die Modellkarte verrät nicht, welches von beidem.

Die Latenztabelle ist der Punkt, an dem das Modell seinem Namen gerecht wird. Mediane Anfrage-Latenz 38,8 ms, p95 122,4 ms, gegenüber dem 27B Clef mit 209,3 / 238,6 und Jev mit 524,1 / 536,0. Cloudflare hat auf seiner eigenen Infrastruktur gemessen, daher sollten Sie die absoluten Millisekunden als Obergrenze dafür betrachten, was Sie anderswo sehen würden, aber die Rangfolge – die Flash-Variante ist beim Median etwa fünfeinhalbmal schneller als ihr eigenes größeres Geschwistermodell und dreizehnmal schneller als Jev – ist das Design, das wie beworben funktioniert.

Die eine Zahl, über die die Auflistungen uneinig sind

Das Kontextfenster ist die Zahl, die den Leuten Probleme bereiten wird, denn sie ist diejenige, die falsch kopiert wurde. Die Workers-AI-Dokumentation von Cloudflare für @cf/cloudflare/clef-flash gibt ein Kontextfenster von 65.536 Token an. Der Blogbeitrag sagt: „Unser Modell hat ein 64k-Kontextfenster (verglichen mit Jevs 32k)“. Der eigene Encoding-Helper der Modellkarte verwendet standardmäßig max_length=16,384 Token. Eine Bibliotheksauflistung einer Drittanbieter-Runtime wirbt derweil in ihrer Tabelle mit 256K.

Drei Anbieterquellen nennen übereinstimmend etwa 64K, und ein Drittanbieter-Eintrag nennt das Vierfache davon. Wenn Sie die Größe eines Prompts anhand einer Bibliotheksseite gegen ein 256K-Budget abwägen, werden Sie es zur Anfragezeit erfahren. Die ehrliche Lesart ist 65.536 Token als dokumentierte Obergrenze, mit der Einschränkung, dass Cloudflares eigene Release Notes die 16.384-Token-Standardeinstellung der Karte nie damit in Einklang bringen – eine Standardeinstellung, kein Limit, aber eine, die still beeinflussen wird, wie viel Zustand Sie senden, wenn Sie den mitgelieferten Loader unverändert verwenden.

Wo Sie es aufrufen können und wo nicht

Clef-Flash ist noch keine der Routen auf OrcaRouter. Unser Katalog liefert dafür einen 404, und nichts in diesem Beitrag sollte als Verfügbarkeitsaussage von uns gelesen werden — wenn du es heute willst, hostet Cloudflare es auf Workers AI für 0,09 $ pro Million Eingabe-Tokens, und die Apache-2.0-Gewichte stehen dir zur Verfügung, um sie lokal zu betreiben.

Was das für die Entscheidung bedeutet, um die es in diesem Artikel eigentlich geht, ist, dass ein Scorer, den man nur über die Plattform eines einzigen Anbieters erreichen kann, ein Scorer ist, dessen Latenz und Verfügbarkeit man zusammen mit seiner Genauigkeit erbt. Die gehostete Alternative mit einer Route ist TypeSafe's Jev 1.13, der auf OrcaRouter für 0,042 $ pro Million Input-Tokens mit einem Kontext von 65.536 Tokens verfügbar ist und den Cloudflare bewusst als Benchmark-Gegenstück gewählt hat – weil die beiden API-kompatibel sind. Clef-Flash spricht dieselbe /v1/systemone Anfrageform, sodass die beiden hinter einem dünnen Adapter austauschbar sind. Beide über einen einzigen Schlüssel erreichbar zu haben, wobei der Listenpreis des Anbieters ohne Aufschlag weitergegeben wird, ist der Grund, diesen Vergleich lebendig zu halten, anstatt die Architektur auf das Modell festzulegen, das zufällig zuerst verfügbar war.

Was würde diese Lesart ändern?

Drei Dinge, geordnet danach, wie stark sie das Bild verändern würden.

Jemand außerhalb von Cloudflare muss die Zellen CLINC150+OOS und Haushaltsgeräte reproduzieren, denn sie zeigen in entgegengesetzte Richtungen, und die Model Card liefert für keines von beiden einen Mechanismus. Ein Wert von 66,8 bei der Erkennung von Out-of-Scope-Intents neben 97,7 bei der Gerätesteuerung ist keine glatte Fähigkeitskurve; er deutet auf ein Modell hin, das sehr gut bei den Klassifikationsformen in seiner Trainingsverteilung ist und deutlich schwächer darin, die Klassifikation zu verweigern, wenn die richtige Antwort „keines davon“ lautet. Wenn das unter unabhängigen Tests Bestand hat, ist es die wichtigste operative Tatsache über clef-flash, und sie steht nicht im Abschnitt „Highlights“.

Die Diskrepanz in der Auflistung zwischen 64K und 256K braucht eine Quelle, um sie zu korrigieren, denn sie breitet sich derzeit von einem Mirror nach außen in die Orte aus, die Menschen tatsächlich lesen. Herstellerdokumentation ist normalerweise nicht das, was man zitieren muss, um ein Argument gegen die Karte einer Runtime zu gewinnen, und dies ist ein kleiner Fall, in dem es doch so ist.

Und die Kategorie muss den Kontakt mit echten Workloads überstehen. Cloudflares eigene Darstellung ist, dass Entscheidungsmodelle für Agenten im Hot Path sitzen – zwei Sekunden, um eine Website abzurufen, zu rendern und zu klassifizieren, gegenüber 4,7 Sekunden für ihr schnellstes allgemeines LLM bei derselben Aufgabe, in ihrem Threat-Intelligence-Beispiel. Das ist eine reale und spezifische Behauptung über einen realen und spezifischen Workflow, und es ist die Art von Behauptung, die von Leuten entschieden wird, die ihn ausführen, nicht von einer Tabelle.