Clef-Flash vs Qwen3-8B : 38 millisecondes contre le 8B que tout le monde fait déjà tourner

Il existe une tâche précise et peu glamour que beaucoup d'équipes confient à Qwen3-8B : lis ce ticket, cette ligne de log, ce formulaire, et dis-moi dans laquelle de mes quatre catégories il faut le ranger. C'est une tâche de classification déguisée en conversation, et Qwen3-8B s'en sort assez bien pour que personne ne se soit donné la peine de le remplacer. Le 30 septembre 2026, Cloudflare a publié les poids de Cloudflare/clef-flash, un modèle de 9B conçu pour faire ce seul travail et rien d'autre, et la question intéressante n'est pas de savoir s'il est plus intelligent que Qwen3-8B. Elle est de savoir si ce que vous obtenez actuellement d'un généraliste de 8B vaut la peine d'être payé en tokens générés.

Clef-Flash répond à cette question par une structure plutôt que par un benchmark. Il prend un état et un schéma allant jusqu’à 64 questions typées et renvoie un logit pour chaque option autorisée en une seule passe non autorégressive — aucun texte intermédiaire, aucun parsing, aucune sortie hormis des probabilités. Cloudflare a mesuré pour lui une latence médiane de requête de 38,8 ms, contre environ 500 ms pour Jev, le modèle de décision de TypeSafe auquel il a été comparé. Qwen3-8B ne figure pas dans ce tableau, car Qwen3-8B ne joue pas à ce jeu-là : il écrit une réponse, et vous la lisez.

Ce qui fait que ce duo mérite une comparaison complète, plutôt qu’une page de lignes de spécifications, c’est que les deux modèles ne partagent absolument aucun benchmark. Chaque chiffre de Clef-Flash en circulation a été produit par Cloudflare, sur un indice publié par un concurrent, et personne en dehors de Cloudflare ne l’a reproduit. Qwen3-8B a derrière lui trois générations d’utilisation indépendante et un historique public que l’on peut contester. C’est cette asymétrie, et non l’écart de latence, qui devrait déterminer si vous faites le remplacement.

Deux contrats de sortie, pas deux tailles

Les nombres de paramètres ici sont assez proches pour n'être qu'une distraction — 9 B pour Clef-Flash contre 8,2 B pour Qwen3-8B, dont 6,95 B de paramètres non-embedding. La différence qui compte, c'est ce que chaque modèle est autorisé à émettre.

Qwen3-8B est un modèle de langage causal. Donnez-lui un ticket d'assistance et il produit des tokens, et, par défaut, il produit d'abord un mode de réflexion, à moins que vous ne le désactiviez. Il peut classer, expliquer, escalader, rédiger une réponse ou vous dire que votre schéma ne contient pas de schéma — le tout à partir des mêmes poids, sans schéma requis. Sa fiche annonce 36 couches, une attention à requêtes groupées avec 32 têtes de requête pour 8 têtes KV, plus de 100 langues et une longueur de contexte de 32 768 tokens en natif, extensible à 131 072 via YaRN. C'est le modèle vers lequel la plupart des équipes se tournent, car c'est le modèle qui peut tout faire.

Clef-Flash est un modèle post-entraîné, pas un partenaire de conversation. Cloudflare a gelé le squelette Qwen3.5-9B — y compris son encodeur visuel — et a entraîné par-dessus une tête de schéma conjointe : 243,5 Mo de poids de tête contre quatre fichiers de squelette fragmentés totalisant environ 18,8 Go. La tête lit les états cachés finaux du squelette, achemine les preuves de l'état vers chaque question et note toutes les options de toutes les questions ensemble. Les contraintes sont la caractéristique. Cloudflare le contraint à ne produire que des probabilités, ce qui explique pourquoi le modèle de base figure dans sa lignée mais jamais dans sa sortie.

Notez de quelle lignée il s'agit. Clef-Flash descend de Qwen3.5-9B, la génération qui suit la lignée Qwen3 à laquelle appartient Qwen3-8B. Il ne s'agit donc pas du fine-tuning de son propre modèle de base, comme c'est habituellement le cas pour un dérivé 9B — c'est une branche différente du même arbre généalogique, réentraînée pour un contrat différent.

Le même job, exécuté de deux façons

Les deux modèles savent acheminer un ticket de support. Ils échouent différemment, et ce sont les modes de défaillance qui constituent le coût d'une migration.

Avec Qwen3-8B, le travail réside dans le prompt et le parseur. Vous décrivez vos catégories, demandez qu'on vous en renvoie une, puis gérez le cas où le modèle renvoie « cela ressemble à de la facturation, bien que cela puisse être technique » — une véritable réponse à une véritable ambiguïté que votre code en aval ne peut pas exploiter. Les recommandations de la fiche elle-même précisent explicitement que le mode réflexion doit être désactivé pour les travaux d'efficacité, que le décodage glouton dégrade la sortie et que, lorsque la réflexion est activée, vous ne devez pas propager le bloc de raisonnement dans l'historique multitour. Chacune de ces consignes est une décision qu'un modèle généraliste vous impose.

Avec Clef-Flash, le travail se déplace vers le schéma. Vous déclarez, pour une question, entre deux et 26 options de type choix, ou entre deux et 26 niveaux pour une question de type score, et vous récupérez l'option choisie, une probabilité pour chaque option et une valeur de confiance. Trois détails de ce contrat valent plus que le chiffre de latence mis en avant. Premièrement, la confiance n'est pas l'exactitude — la documentation de Cloudflare dit clairement qu'elle mesure à quel point les probabilités sont concentrées, et non la probabilité que la réponse soit juste. Deuxièmement, les égalités se départagent selon l'ordre dans lequel vous avez déclaré vos options ; donc si deux options se recouvrent réellement, vous avez pris la décision en silence par le simple ordre de la liste. Troisièmement, et c'est celui qui fait le plus mal, il n'y a pas de « aucune de ces réponses » à moins d'en avoir écrit une. Un modèle de décision note les options qu'on lui a fournies ; un ticket portant sur une demande de confidentialité, auquel on soumet un schéma de facturation, de technique et de vente, reviendra comme le moins mauvais de ces trois plutôt que comme un refus.

Ce dernier point joue dans les deux sens, et c'est le cœur honnête de cette comparaison. Qwen3-8B vous dira que votre taxonomie est cassée. Clef-Flash ne le fera pas, et dans un pipeline, c'est une véritable régression — le genre que l'on découvre un mois plus tard dans une file d'attente mal routée. Le compromis consiste à échanger une latence réelle et un déterminisme réel contre un modèle capable de faire surgir la question que vous n'avez pas pensé à poser.

Ce que les chiffres disent et ne disent pas

Les résultats publiés de Clef-Flash proviennent de l’exécution par Cloudflare de la suite Jev Decision Index 0.2.1, et cette même exécution alimente l’article de blog du fournisseur. Les bons scores méritent d’être énoncés avec précision : BFCL exactitude par cas 98,8, précision d’API-Bank 93,1, le simulateur d’appareils électroménagers à 97,7, macro-F1 de ContractNLI 84,3, qualité sélectionnée de RouterBench 79,9. Sur les quatre flux de travail métier de bout en bout de la propre suite d’évaluation de TypeSafe, Clef-Flash s’adjuge le service client avec 77,0 contre 76,0 pour Jev et 76,3 pour le Clef 27B plus grand, et perd le traitement des factures avec 57,1 contre 61,8 pour Jev et 64,7 pour Clef.

Les cellules faibles sont aussi informatives que les fortes. CLINC150 avec gestion du hors-périmètre place Clef-Flash à 66,8 de macro-F1, contre 97,4 pour le Clef 27B et 89,3 pour Jev — une falaise de trente points sur exactement la forme de benchmark qui teste si un modèle sait quand s'abstenir. When2Call, 65,6 contre 81,0 pour Jev. GPQA Diamond, 51,0 contre 78,3. POP909-CL tombe à 1,6, un chiffre que la fiche n'explique pas.

Maintenant, la partie que les tableaux ne vous diront pas : Qwen3-8B n'a pas de ligne dans aucun d'entre eux. Aucun des deux modèles n'a été évalué sur les benchmarks de l'autre. Les propres chiffres de Clef-Flash au MMLU (91,8) et au GSM8K (67,3) ont été produits par son harnais de décisions typées, qui n'est pas le harnais sur lequel Qwen a rapporté ses chiffres, et comparer les deux serait une erreur de catégorie déguisée en comparaison. La position honnête est donc qu'aucun tableau de scores commun n'existe et que cet article n'en inventera pas. Ce qui existe, c'est un écart de latence que le fournisseur a mesuré sur sa propre infrastructure, une structure de coûts structurellement différente, et un corpus de cellules Decision Index que personne en dehors de Cloudflare n'a reproduites.

Ce que coûte une décision

La documentation Workers AI de Cloudflare répertorie Clef-Flash à 0,09 $ par million de jetons d'entrée et ne facture rien pour la sortie, car il n'y a en pratique aucune sortie — l'exemple détaillé de la documentation renvoie trois jetons de sortie pour une requête à trois questions. Une décision de routage sur un ticket de 1 500 jetons coûte donc environ 0,000135 $ en entrée, et rien de mesurable ensuite. Faites-en tourner un million par jour et vous êtes à environ 135 $ par jour, et ce chiffre ne bouge pas lorsque le ticket se complique, seulement lorsqu'il s'allonge.

Un modèle autorégressif n'a pas de plafond équivalent. Chacune de ces millions de décisions facture aussi les jetons générés, et si le mode réflexion est activé — ce qui est le cas par défaut pour Qwen3-8B — le modèle peut dépenser des centaines de jetons à raisonner sur le compartiment, parmi quatre, auquel appartient un courriel de réinitialisation de mot de passe, avant de répondre. Désactiver la réflexion avec enable_thinking=False ou une /no_think balise est la ligne la plus déterminante de toute invite de classification construite sur ce modèle, et il est facile de l'omettre. La comparaison n'oppose pas « un modèle bon marché » à « un modèle coûteux » ; elle oppose un prix fixe, en entrée seule, à un prix qui évolue selon ce que le modèle décide de dire.

Contexte, trois nombres provenant de trois surfaces de fournisseurs

Le contexte utilisable de Clef-Flash dépend de la surface Cloudflare que vous consultez. La page du modèle Workers AI documente une fenêtre de contexte de 65 536 tokens. Le config.json publié déclare max_position_embeddings à 262 144 pour la tour de texte. L'assistant d'encodage propre à la fiche utilise par défaut max_length=16,384, avec max_state_tokens disponible pour délimiter l'état séparément. Une fiche de runtime tierce qui annonce 256K lit la valeur du fichier de configuration, et non la limite de service — ce qui permet de réconcilier cet écart plutôt que de le laisser comme un mystère, mais le chiffre pratique pour quiconque appelle le point de terminaison hébergé est 65 536.

Les chiffres de Qwen3-8B lui sont propres et sont stables depuis un an et demi : 32 768 en natif, 131 072 avec YaRN activé, et une valeur par défaut de configuration de 40 960 qui réserve 32 768 pour la sortie et 8 192 pour les invites. Donc, si la fenêtre brute est votre facteur décisif, le petit modèle autorégressif peut être étendu à environ deux fois ce que documente le modèle de décision hébergé — alors que le modèle de décision en a besoin de bien moins, parce que vous envoyez un état, pas une conversation.

Qui devrait échanger, et qui ne devrait pas

• Swap — vous avez une taxonomie fixe, de trois à 26 destinations, et une file d'attente de support, une étape de triage ou une porte d'agent où 38.8 ms en médiane et 122.4 ms en p95, face à une demi-seconde de génération, changent ce que votre pipeline peut faire.

• Échange — vous êtes actuellement en train d’analyser la prose produite par un 8B et de gérer la réponse une fois sur cinquante qui ne correspondait pas à votre format. Une distribution sur des options déclarées élimine entièrement cette classe de défaillances.

• Ne pas permuter — l’ensemble de réponses n’est pas connu à l’avance, ou vous avez besoin que le modèle vous indique qu’il ne sait pas. Clef-Flash n’a pas de voie d’abstention, sauf si vous en intégrez une dans les critères, et sa cellule publiée la plus faible est précisément le cas hors périmètre.

• Ne remplacez pas — la charge de travail relève du raisonnement, de l’extraction à partir de documents non contraints, du résumé ou du code. Clef-Flash ne peut pas écrire une phrase, donc tout ce qui, en aval, en attend une conserve Qwen3-8B.

• Ne basculez pas encore — il faut que les chiffres soient vérifiés par quelqu'un d'autre que le fournisseur. Il n'existe aucune évaluation indépendante de Clef-Flash, et la suite qui a produit ses scores est publiée par le fournisseur du modèle qu'il bat.

Où exécuter chacun d’eux

Tous deux sont sous Apache-2.0, donc vous pouvez les auto-héberger tous les deux, et leurs empreintes ne sont pas proches. Qwen3-8B en bf16 fait environ 16 Go et les versions quantifiées sont bien plus petites — une version Q4 fait 5,2 Go sur la bibliothèque Ollama, où qwen3:8b affiche 38,7 millions de téléchargements et une fenêtre de contexte de 40K. Clef-Flash nécessite l'intégralité du réseau principal de 18,8 Go, plus sa tête de 243,5 Mo, et sa page sur la bibliothèque Ollama a été mise en ligne dans les jours suivant sa sortie, avec un tag quantifié de 11 Go et un nombre de partages encore de l'ordre de quelques centaines ; le tableau d'Ollama indique les 256K de la configuration plutôt que les 65 536 du point de terminaison. Ce ratio de téléchargements n'est pas un verdict sur l'un ou l'autre modèle — une page est en ligne depuis dix-huit mois et l'autre depuis environ un jour — mais il donne une image fidèle de la quantité d'historique opérationnel qui se trouve derrière chacun.

Si vous voulez la version hébergée, Cloudflare exécute Clef-Flash sur Workers AI au tarif de 0,09 $ par million indiqué ci-dessus, avec les poids également téléchargeables depuis le Hub. Les deux modèles s'adressent au point de terminaison /v1/systemone d'Ollama pour Clef-Flash (Ollama 0.35.1 ou version ultérieure) et au chemin generate standard pour Qwen3 — ainsi, échanger l'un pour l'autre est un changement côté client, pas une modification de l'architecture.

Aucun des deux modèles ne figure actuellement parmi nos routes : le catalogue public d’OrcaRouter renvoie une 404 pour clef-flash comme pour Qwen3-8B, et rien ici ne doit être interprété comme une affirmation de notre part quant à leur disponibilité. Ce qu’une couche de routage change, c’est la moitié « génération » du pipeline. Si un modèle de décision finit par contrôler votre agent, le modèle qui agit sur la décision doit encore être joignable, et c’est là que une API pour plus de 200 modèles derrière une seule clé API gagne sa place — prix catalogue des fournisseurs répercuté avec 0 % de marge, de sorte qu’une baisse de prix d’un fournisseur arrive ici le jour même, et basculement automatique pour qu’un mauvais après-midi chez un seul fournisseur ne mette pas à terre un chemin que vous venez de reconstruire. La gamme Qwen a elle aussi évolué : Qwen3.8-27B est routable ici à 0,40 $ en entrée et 4,21 $ en sortie par million de tokens avec une fenêtre de 262 144 tokens, qui est un modèle différent de Qwen3-8B et non un remplacement de celui-ci, mais il appartient à la même famille, une génération au-dessus.

Qu'est-ce qui changerait cette lecture ?

Trois choses, dans l'ordre.

Une exécution indépendante des cellules hors périmètre. L'écart entre le 97,7 de Clef-Flash sur la simulation d'appareils et son 66,8 sur CLINC150+OOS ne décrit pas un classifieur aux capacités homogènes ; il décrit un modèle fort dans les formes sur lesquelles il a été entraîné et faible lorsque la bonne réponse est « aucune de ces options ». Si cela se vérifie dans le harnais de quelqu'un d'autre, c'est le fait opérationnel le plus important concernant le modèle, et il ne figure dans la liste des points forts de personne.

Un chiffre de latence mesuré depuis l'extérieur de l'edge de Cloudflare. La médiane de 38,8 ms est impressionnante, et elle a été mesurée par le fournisseur, sur une infrastructure qu'il contrôle, pour un modèle hébergé à l'edge. Le classement face à Jev est probablement robuste ; c'est le chiffre absolu qui est à prendre avec des pincettes.

Et un benchmark partagé. Tant que personne n'aura évalué Clef-Flash et un petit LLM ouvert sur la même tâche de classification avec les mêmes étiquettes, le choix entre eux repose sur le contrat de sortie, la structure tarifaire et la source de preuves sur laquelle vous êtes prêt à agir. Ces trois éléments suffisent à trancher pour de nombreux pipelines aujourd'hui — mais ils ne constituent pas une comparaison de précision, et cet article ne prétendra pas le contraire.