Clef-Flash es un modelo de 9B que nunca escribe un token — y el blog de Cloudflare llegó casi un día después de los pesos

Cloudflare/clef-flash es un modelo multimodal de 9.000 millones de parámetros que toma un estado y un esquema de preguntas tipadas y devuelve una probabilidad para cada respuesta permitida. No genera texto. No es que «genere texto mal»: no tiene ninguna ruta de salida de texto. El repositorio del modelo apareció en Hugging Face a las 21:15 UTC del 30 de septiembre de 2026 bajo Apache-2.0; la publicación de anuncio de Cloudflare que lo presentaba, junto con el modelo más grande de 27B Cloudflare/clef, se publicó a las 15:34 UTC del día siguiente. Durante unas dieciocho horas, los pesos abiertos y el endpoint alojado de Workers AI existieron en público antes de que el proveedor dijera una sola palabra sobre ellos, y ese orden es el hecho más interesante del lanzamiento —más interesante, para cualquiera que esté decidiendo si integrar esto en un pipeline, que cualquier fila de benchmark.

Una segunda arruga, más pequeña, llegó dos días después. La página de la biblioteca de un runtime de terceros para clef-flash, que es donde el radar de este artículo vio el modelo por primera vez, lo incluye con una «ventana de contexto de 256K» en su tabla de modelos, mientras que unas líneas más arriba muestra el propio texto readme de Cloudflare —«ventana de contexto de 64K: el doble del estado que contiene la ventana de 32K de Jev»—. Los dos números no pueden ser correctos a la vez, y la documentación del proveedor lo resuelve a favor del más pequeño. Merece la pena señalar ese tipo de deriva desde el principio, porque todo lo demás en este artículo es consecuencia de la misma pregunta: qué números son del proveedor, cuáles son de un espejo y cuáles los ha comprobado alguien ajeno al proveedor.

Qué se entregó realmente, y en qué orden

El registro, en secuencia:

• 30 de septiembre de 2026, 21:15:35 UTC — Cloudflare/clef, el modelo 27B, se crea en Hugging Face.

• 30 de septiembre de 2026, 21:15:36 UTC — Cloudflare/clef-flash se crea, un segundo después. Ambos son ajustes finos de bases Qwen: Clef de Qwen3.8-27B, Clef-Flash de Qwen3.5-9B.

• 1 de octubre de 2026, 15:23 UTC — el repositorio de clef-flash se modificó por última vez, que es aproximadamente cuando se escribió el texto de la tarjeta del modelo que estamos citando.

• 1 de octubre de 2026, 15:34 UTC — «Presentamos Clef: nuestros modelos de decisión de código abierto y la nueva plataforma de ajuste fino con RL» se publica en el blog de Cloudflare, alojando ambos modelos en Workers AI y lanzando un servicio de ajuste fino en torno a ellos.

• 2–3 de octubre de 2026 — los runtimes de terceros adoptan los pesos; aparecen la página de biblioteca de un runtime de terceros y las compilaciones comunitarias cuantizadas.

Así que esto no es una filtración, ni un lanzamiento silencioso, ni un checkpoint no anunciado que un lector tenga que tomar como rumor. Es una versión GA con una entrada de blog, una API alojada en las propias GPU de borde de Cloudflare, una licencia Apache-2.0 sobre los pesos y una plataforma comercial de ajuste fino asociada. Lo único genuinamente extraño es la ventaja inicial de dieciocho horas que el repositorio tuvo sobre el anuncio: lo suficientemente larga como para que el modelo fuera público mientras la propia página de marketing del proveedor todavía no existía, y lo suficientemente corta como para que nadie fuera de Cloudflare lo hubiera ejecutado de forma significativa.

Un modelo de decisión no es un modelo de lenguaje pequeño.

El enfoque en la publicación de Cloudflare es que los modelos de decisión son una categoría distinta, y la arquitectura respalda la afirmación en lugar de decorarla. Clef-Flash mantiene congelado el backbone Qwen3.5-9B, incluido su codificador de visión. Sobre él se asienta una pequeña cabeza transformer —243,5 MB de pesos en la versión, frente a aproximadamente cuatro archivos de backbone fragmentados que suman 18,8 GB— que enruta la evidencia desde el estado hacia cada pregunta y puntúa cada opción de cada pregunta en una sola pasada. Cloudflare lo denomina «no autorregresivo»: no hay generación token por token, ni texto de razonamiento intermedio, ni parseo de la salida. Obtienes un logit por opción permitida, le aplicas softmax por pregunta y tienes una distribución.

La forma de la solicitud se deriva de eso. Tú proporcionas state — una cadena, o un objeto o arreglo JSON — una lista opcional de imágenes o fotogramas de video, y de una a sesenta y cuatro preguntas con nombre. Cada pregunta declara un type: noul para un juicio de verdadero/falso que devuelve la probabilidad de verdadero, choice para un conjunto de opciones con nombre que devuelve la opción elegida más las probabilidades por opción y una confianza, o score para una escala ordenada que devuelve un nivel ponderado por probabilidad. Los criterios son opcionales para noul y casi obligatorios para los demás, y la documentación es inusualmente directa sobre una trampa: la confianza "muestra cuán concentradas están las probabilidades. No es la probabilidad de que la respuesta sea correcta". Un modelo que responde con confianza no necesariamente responde correctamente, y una medida de calibración es lo único que separa a ambas.

Esa distinción es el motivo completo para interesarse. Si alguna vez le has pedido a un modelo de propósito general que clasifique un ticket de soporte y luego has intentado parsear la respuesta, ya has pagado el impuesto que este diseño elimina. Clef-Flash no puede producir la frase "Esto parece un problema de facturación, ¿probablemente?" porque no puede producir una frase. Devuelve {"choice": "billing", "probabilities": {"billing": 0.981, ...}, "confidence": 0.924} — el ejemplo viene directamente de la propia documentación de Cloudflare — y tu código le aplica un umbral.

Los números, y quién los manejó

Todas las cifras que aparecen a continuación provienen de la tarjeta de modelo de Cloudflare o de la entrada del blog, y Cloudflare las ejecutó todas. La suite es el Jev Decision Index —una tabla de clasificación publicada por TypeSafe, el proveedor de Jev, el modelo con el que se compara Clef-Flash—, así que la comparación es la del producto propio de un proveedor medido en el índice de un rival, ejecutado por el proveedor. Todavía no existe una evaluación independiente de Clef-Flash, y este artículo no pretende lo contrario.

En los benchmarks específicos para decisiones, Clef-Flash es genuinamente sólido de una manera que vale la pena separar del marketing: BFCL case-exact 98.8, API-Bank 93.1, simulación de electrodomésticos 97.7, ContractNLI macro-F1 84.3, RouterBench 79.9. Supera al Clef 27B más grande en BFCL (98.8 frente a 98.5), API-Bank (93.1 frente a 91.9) y la suite de electrodomésticos (97.7 frente a 83.0) — esta última por catorce puntos, que es la celda más sorprendente de la tabla y la que nadie fuera de Cloudflare ha comprobado.

Las pérdidas son igual de reales y pertenecen al mismo párrafo. En CLINC150 con manejo de fuera de alcance, clef-flash obtiene 66.8 de macro-F1 frente a los 97.4 del 27B y los 89.3 de Jev — un precipicio de treinta puntos en la detección de intención con una categoría "other", que es precisamente la forma de la solicitud que ve más a menudo una capa de enrutamiento. En ANLI obtiene 59.1 frente a los 74.8 de Jev; en When2Call, 65.6 frente a los 81.0 de Jev; en GPQA Diamond, 51.0 frente a los 78.3 de Jev. Y en POP909-CL, un benchmark de etiquetado de acordes, obtiene 1.6 — un número que es o bien una discrepancia en el formato de datos o un fallo real, y la ficha no dice cuál.

La tabla de latencia es donde el modelo hace honor a su nombre. Latencia de solicitud mediana de 38.8 ms, p95 de 122.4 ms, frente al Clef de 27B con 209.3 / 238.6 y Jev con 524.1 / 536.0. Cloudflare midió en su propia infraestructura, así que considera los milisegundos absolutos como un límite superior de lo que verías en otros entornos, pero el orden —la variante flash es aproximadamente cinco veces y media más rápida que su propio hermano mayor y trece veces más rápida que Jev en la mediana— es el diseño funcionando tal como se anuncia.

La única cifra sobre la que discrepan los listados

La ventana de contexto es la cifra que va a morder a la gente, porque es la que se copió mal. La documentación de Workers AI de Cloudflare para @cf/cloudflare/clef-flash indica una ventana de contexto de 65,536 tokens. La publicación del blog dice: "nuestro modelo tiene una ventana de contexto de 64k (en comparación con los 32k de Jev)". La propia función auxiliar de codificación de la tarjeta del modelo tiene como valor predeterminado max_length=16,384 tokens. Mientras tanto, el listado de la biblioteca de un entorno de ejecución de terceros anuncia 256K en su tabla.

Tres fuentes de proveedores coinciden en aproximadamente 64K y un listado de terceros dice cuatro veces eso. Si estás dimensionando un prompt con un presupuesto de 256K basándote en una página de biblioteca, lo descubrirás en el momento de la solicitud. La lectura honesta es 65.536 tokens como techo documentado, con la advertencia de que las propias notas de versión de Cloudflare nunca concilian el valor predeterminado de 16.384 tokens de la tarjeta con él —un valor predeterminado, no un límite, pero uno que moldeará silenciosamente cuánto estado envías si usas el cargador incluido tal como está.

Dónde puedes llamarlo y dónde no

Clef-Flash aún no es una de las rutas de OrcaRouter. Nuestro catálogo devuelve un 404 para él, y nada en este artículo debe interpretarse como una afirmación de disponibilidad por nuestra parte: si lo quieres hoy, Cloudflare lo aloja en Workers AI a 0,09 $ por millón de tokens de entrada, y los pesos Apache-2.0 son tuyos para ejecutarlos localmente.

Lo que eso significa para la decisión de la que realmente trata este artículo es que un evaluador al que solo puedes llegar a través de la plataforma de un único proveedor es un evaluador cuya latencia y disponibilidad heredas junto con su precisión. La alternativa alojada que cuenta con una ruta es Jev 1.13 de TypeSafe, que está en OrcaRouter a $0,042 por millón de tokens de entrada con un contexto de 65.536 tokens, y que es el modelo que Cloudflare eligió como su contraparte de referencia —deliberadamente, porque los dos son compatibles a nivel de API. Clef-Flash habla la misma /v1/systemone forma de solicitud, así que los dos son intercambiables detrás de un adaptador fino. Que ambos sean accesibles mediante una sola clave, con el precio de lista del proveedor pasado sin margen adicional, es la razón para mantener viva esa comparación en lugar de comprometer la arquitectura con el modelo que resultara haber salido primero.

¿Qué cambiaría esta lectura?

Tres cosas, en orden de cuánto cambiarían el panorama.

Alguien fuera de Cloudflare necesita reproducir las celdas de CLINC150+OOS y de electrodomésticos, porque apuntan en direcciones opuestas y la ficha no ofrece ningún mecanismo para ninguna de las dos. Un 66,8 en detección de intenciones fuera de alcance junto a un 97,7 en control de electrodomésticos no es una curva de capacidad uniforme; sugiere un modelo que es muy bueno con las formas de clasificación de su distribución de entrenamiento y mucho más débil a la hora de negarse a clasificar cuando la respuesta correcta es «ninguna de estas». Si eso se sostiene bajo pruebas independientes, es el hecho operativo más importante sobre clef-flash y no está en la sección de aspectos destacados.

La discrepancia en el listado entre 64K y 256K necesita una fuente para corregirse, porque actualmente se está propagando desde un espejo hacia los lugares que la gente realmente lee. La documentación del proveedor no suele ser lo que hay que citar para ganar una discusión contra la ficha de un runtime, y este es un caso pequeño en el que sí lo es.

Y la categoría tiene que sobrevivir al contacto con cargas de trabajo reales. El propio planteamiento de Cloudflare es que los modelos de decisión están en la ruta crítica de los agentes: dos segundos para obtener, renderizar y clasificar un sitio web frente a 4,7 segundos de su LLM general más rápido en la misma tarea, en su ejemplo de Threat Intelligence. Es una afirmación real y específica sobre un flujo de trabajo real y específico, y es el tipo de afirmación que se resuelve por quienes lo ejecutan, no por una tabla.