Clef-Flash est un modèle 9B qui n'écrit jamais un seul token — et le blog de Cloudflare est arrivé presque un jour après les poids

Cloudflare/clef-flash est un modèle multimodal de 9 milliards de paramètres qui prend un état et un schéma de questions typées et renvoie une probabilité pour chaque réponse autorisée. Il ne génère pas de texte. Non pas « il génère mal le texte » — il n'a pas le moindre chemin de sortie de texte. Le dépôt correspondant est apparu sur Hugging Face à 21:15 UTC le 30 septembre 2026 sous licence Apache-2.0 ; le billet d'annonce de Cloudflare qui le présente, aux côtés du plus grand modèle 27B Cloudflare/clef, a été publié à 15:34 UTC le lendemain. Pendant environ dix-huit heures, les poids ouverts et le point de terminaison Workers AI hébergé ont existé publiquement avant que le fournisseur n'en dise un mot, et cet ordre est le fait le plus intéressant de la publication — plus intéressant, pour quiconque décide d'intégrer ceci dans un pipeline, que n'importe quelle ligne de benchmark.

Une deuxième anicroche, plus petite, est apparue deux jours plus tard. La page de bibliothèque d’un runtime tiers pour clef-flash, là où le radar de cet article a vu le modèle pour la première fois, le répertorie avec une « fenêtre de contexte de 256K » dans son tableau de modèles, tout en affichant le texte du readme de Cloudflare lui-même — « Fenêtre de contexte de 64K : deux fois l’état que contient la fenêtre 32K de Jev » — quelques lignes plus haut. Les deux nombres ne peuvent pas être tous les deux exacts, et la documentation du fournisseur tranche en faveur du plus petit. Ce genre de dérive mérite d’être signalé d’emblée, car tout le reste de cet article découle de la même question : quels nombres sont ceux du fournisseur, lesquels proviennent d’un miroir, et lesquels ont été vérifiés par quelqu’un qui n’est pas le fournisseur.

Ce qui a réellement été livré, et dans quel ordre

Le compte rendu, dans l'ordre :

• 30 septembre 2026, 21:15:35 UTC — Cloudflare/clef, le modèle 27B, est créé sur Hugging Face.

• 30 septembre 2026, 21:15:36 UTC — Cloudflare/clef-flash est créé, une seconde plus tard. Les deux sont des modèles affinés à partir des bases Qwen : Clef de Qwen3.8-27B, Clef-Flash de Qwen3.5-9B.

• 1er octobre 2026, 15:23 UTC — le dépôt de clef-flash a été modifié pour la dernière fois, ce qui correspond à peu près au moment où le texte de la fiche de modèle que nous citons a été rédigé.

• 1er octobre 2026, 15 h 34 UTC — « Présentation de Clef : nos modèles de décision open source, et une nouvelle plateforme de fine-tuning par RL » est mis en ligne sur le blog de Cloudflare, qui héberge les deux modèles sur Workers AI et lance un service de fine-tuning autour d'eux.

• 2–3 octobre 2026 — des runtimes tiers récupèrent les poids ; la page de bibliothèque d'un runtime tiers et des builds quantifiés de la communauté font leur apparition.

Donc, ce n'est pas une fuite, ni un lancement discret, ni un checkpoint non annoncé qu'un lecteur doit prendre pour une rumeur. C'est une version GA accompagnée d'un article de blog, d'une API hébergée sur les propres GPU en périphérie de Cloudflare, d'une licence Apache-2.0 sur les poids, et d'une plateforme commerciale de fine-tuning associée. La seule chose vraiment étrange, c'est l'avance de dix-huit heures que le dépôt avait sur l'annonce — assez longue pour que le modèle soit public alors que la propre page marketing du fournisseur n'existait pas encore, assez courte pour que personne en dehors de Cloudflare ne l'ait exécuté de manière significative.

Un modèle de décision n’est pas un petit modèle de langage.

Le cadrage de l’article de Cloudflare est que les modèles de décision constituent une catégorie distincte, et l’architecture étaye cette affirmation plutôt que de la décorer. Clef-Flash conserve le backbone Qwen3.5-9B, y compris son encodeur visuel, gelé. Au-dessus se trouve une petite tête transformer — 243,5 Mo de poids dans la version publiée, contre environ quatre fichiers shardés du backbone qui atteignent 18,8 Go — qui achemine les preuves depuis l’état vers chaque question et évalue chaque option de chaque question en une seule passe. Cloudflare qualifie cela de « non autorégressif » : pas de génération token par token, pas de texte de raisonnement intermédiaire, pas d’analyse de sortie. Vous obtenez un logit par option autorisée, vous appliquez un softmax par question, et vous avez une distribution.

La forme de la requête en découle. Vous fournissez state — une chaîne, ou un objet ou un tableau JSON — une liste facultative d'images ou de trames vidéo, et de une à soixante-quatre questions nommées. Chaque question déclare un type : noul pour un jugement vrai/faux renvoyant la probabilité de vrai, choice pour un ensemble d'options nommées renvoyant l'option choisie ainsi que les probabilités par option et une confiance, ou score pour une échelle ordonnée renvoyant un niveau pondéré par les probabilités. Les critères sont facultatifs pour noul et plus ou moins obligatoires pour les autres, et la documentation est d'une franchise inhabituelle au sujet d'un piège : la confiance « indique à quel point les probabilités sont concentrées. Ce n'est pas la probabilité que la réponse soit correcte. » Un modèle qui répond avec assurance ne répond pas nécessairement correctement, et une mesure de calibration est la seule chose qui permet de distinguer les deux.

Cette distinction est toute la raison de s'y intéresser. Si vous avez déjà demandé à un modèle généraliste de classer un ticket d'assistance, puis tenté d'analyser la réponse, vous avez déjà payé la taxe que cette conception élimine. Clef-Flash ne peut pas produire la phrase « Cela ressemble à un problème de facturation, probablement ? » parce qu'il ne peut pas produire de phrase. Il renvoie {"choice": "billing", "probabilities": {"billing": 0.981, ...}, "confidence": 0.924 — l'exemple est tiré tel quel de la documentation de Cloudflare — et votre code y applique un seuil.

Les chiffres, et qui les a calculés

Chaque chiffre ci-dessous provient soit de la fiche de modèle de Cloudflare, soit de l'article de blog, et c'est Cloudflare qui les a tous produits. La suite est le Jev Decision Index — un classement publié par TypeSafe, le fournisseur de Jev, le modèle auquel Clef-Flash est comparé — la comparaison porte donc sur le produit d'un fournisseur mesuré sur l'index d'un concurrent, et exécuté par le fournisseur. Il n'existe encore aucune évaluation indépendante de Clef-Flash, et cet article ne prétend pas le contraire.

Sur les benchmarks spécifiques à la décision, Clef-Flash est véritablement solide d'une manière qui mérite d'être distinguée du marketing : BFCL exact par cas 98,8, API-Bank 93,1, simulation d'appareils électroménagers 97,7, ContractNLI macro-F1 84,3, RouterBench 79,9. Il bat le Clef 27B, plus grand, sur BFCL (98,8 contre 98,5), API-Bank (93,1 contre 91,9) et la suite d'appareils électroménagers (97,7 contre 83,0) — cette dernière de quatorze points, ce qui constitue la cellule la plus surprenante du tableau et celle que personne en dehors de Cloudflare n'a vérifiée.

Les pertes sont tout aussi réelles et ont leur place dans le même paragraphe. Sur CLINC150 avec gestion du hors-périmètre, clef-flash obtient 66,8 de macro-F1 contre 97,4 pour le 27B et 89,3 pour Jev — une falaise de trente points sur la détection d'intention avec un compartiment « autre », ce qui est précisément la forme de requête qu'une couche de routage voit le plus souvent. Sur ANLI, il obtient 59,1 contre 74,8 pour Jev ; sur When2Call, 65,6 contre 81,0 pour Jev ; sur GPQA Diamond, 51,0 contre 78,3 pour Jev. Et sur POP909-CL, un benchmark d'étiquetage d'accords, il obtient 1,6 — un chiffre qui relève soit d'une incompatibilité de format de données, soit d'un échec réel, et la fiche ne précise pas lequel.

Le tableau de latence est là où le modèle justifie son nom. Latence médiane des requêtes : 38,8 ms, p95 : 122,4 ms, face au Clef 27B à 209,3 / 238,6 et à Jev à 524,1 / 536,0. Cloudflare mesuré sur sa propre infrastructure, donc considérez les millisecondes absolues comme une borne supérieure de ce que vous observeriez ailleurs, mais l’ordre — la variante flash est environ cinq fois et demie plus rapide que son propre grand frère et treize fois plus rapide que Jev en médiane — montre que la conception fonctionne comme annoncé.

Le seul chiffre sur lequel les annonces divergent

La fenêtre de contexte est le chiffre qui va poser problème, car c'est celui qui a été mal recopié. La documentation Workers AI de Cloudflare pour @cf/cloudflare/clef-flash indique une fenêtre de contexte de 65 536 tokens. L'article de blog affirme « notre modèle a une fenêtre de contexte de 64k (contre 32k pour Jev) ». L'utilitaire d'encodage de la fiche du modèle utilise par défaut max_length=16,384 tokens. Le catalogue de bibliothèques d'un runtime tiers, quant à lui, annonce 256K dans son tableau.

Trois sources de fournisseurs s’accordent sur environ 64 K, et une fiche tierce annonce quatre fois plus. Si vous dimensionnez un prompt face à un budget de 256 K en vous fondant sur une page de bibliothèque, vous le découvrirez au moment de la requête. L’interprétation honnête est de 65 536 tokens comme plafond documenté, avec cette réserve que les propres notes de version de Cloudflare ne concilient jamais le paramètre par défaut de 16 384 tokens de la carte avec cette valeur — une valeur par défaut, pas une limite, mais qui façonnera silencieusement la quantité d’état que vous envoyez si vous utilisez le chargeur fourni tel quel.

Où vous pouvez l'appeler, et où vous ne pouvez pas

Clef-Flash ne figure pas encore parmi les routes d'OrcaRouter. Notre catalogue renvoie une 404 pour ce modèle, et rien dans cet article ne doit être interprété comme une affirmation de notre part quant à sa disponibilité — si vous le voulez dès aujourd'hui, Cloudflare l'héberge sur Workers AI à 0,09 $ par million de jetons d'entrée, et les poids Apache-2.0 sont à vous pour l'exécuter localement.

Ce que cela signifie pour la décision dont cet article traite réellement, c'est qu'un scorer auquel on ne peut accéder que via la plateforme d'un seul fournisseur est un scorer dont vous héritez la latence et la disponibilité en même temps que la précision. L'alternative hébergée disposant d'une route est Jev 1.13 de TypeSafe, qui est sur OrcaRouter à 0,042 $ par million de jetons d'entrée avec un contexte de 65 536 jetons, et que Cloudflare a choisi comme modèle de référence — délibérément, car les deux sont compatibles au niveau de l'API. Clef-Flash parle la même /v1/systemoneforme de requête, de sorte que les deux sont interchangeables derrière un adaptateur léger. Le fait que les deux soient accessibles via une seule clé, avec le prix catalogue du fournisseur répercuté sans marge, est la raison de maintenir cette comparaison active plutôt que d'engager l'architecture sur le modèle qui s'est trouvé livré en premier.

Qu'est-ce qui changerait cette lecture ?

Trois choses, par ordre de leur capacité à faire bouger les lignes.

Quelqu'un en dehors de Cloudflare doit reproduire les cellules CLINC150+OOS et électroménager, car elles pointent dans des directions opposées et la fiche ne donne de mécanisme pour ni l'une ni l'autre. Un 66,8 en détection d'intention hors périmètre à côté d'un 97,7 en contrôle d'appareils n'est pas une courbe de compétence harmonieuse ; cela suggère un modèle très bon face aux formes de classification présentes dans sa distribution d'entraînement et bien plus faible lorsqu'il s'agit de refuser de classifier alors que la bonne réponse est « aucune de ces options ». Si cela se vérifie lors de tests indépendants, c'est le fait opérationnel le plus important concernant clef-flash, et il ne figure pas dans la section des faits marquants.

L’écart de listage entre 64K et 256K a besoin d’une source pour être corrigé, car il se propage actuellement depuis un miroir jusque dans les endroits que les gens lisent réellement. La documentation d’un fournisseur n’est pas d’ordinaire ce qu’il faut citer pour l’emporter dans un débat contre la fiche d’un runtime, et c’est un petit cas où elle l’est.

Et la catégorie doit survivre au contact de charges de travail réelles. La formulation de Cloudflare elle-même est que les modèles de décision se trouvent sur le chemin critique des agents — deux secondes pour récupérer, rendre et classer un site web, contre 4,7 secondes pour leur LLM généraliste le plus rapide sur la même tâche, dans leur exemple Threat Intelligence. C'est une affirmation réelle et précise à propos d'un flux de travail réel et précis, et c'est le genre d'affirmation qui se tranche par les personnes qui l'exécutent, pas par un tableau.