Clef-Flash è un modello da 9B che non scrive mai un token — e il blog di Cloudflare è arrivato quasi un giorno dopo i pesi

Cloudflare/clef-flash è un modello multimodale da 9 miliardi di parametri che riceve uno stato e uno schema di domande tipizzate e restituisce una probabilità per ogni risposta consentita. Non genera testo. Non "genera male il testo" — non ha alcun percorso di output testuale. Il repository è apparso su Hugging Face alle 21:15 UTC del 30 settembre 2026 con licenza Apache-2.0; il post di annuncio con cui Cloudflare lo presentava, insieme al più grande modello da 27B Cloudflare/clef, è stato pubblicato alle 15:34 UTC del giorno successivo. Per circa diciotto ore i pesi aperti e l'endpoint ospitato di Workers AI sono esistiti pubblicamente prima che il fornitore ne dicesse una parola, e questo ordine è il fatto più interessante del rilascio — più interessante, per chiunque debba decidere se collegarlo a una pipeline, di qualunque singola riga di benchmark.

Un secondo problema, più piccolo, è arrivato due giorni dopo. La pagina della libreria di un runtime di terze parti per clef-flash, che è il punto in cui il radar di questo articolo ha visto per la prima volta il modello, lo elenca con una "finestra di contesto da 256K" nella sua tabella dei modelli, mentre visualizza il testo del readme di Cloudflare stesso — "finestra di contesto da 64K: il doppio dello stato che la finestra da 32K di Jev contiene" — poche righe sopra. I due numeri non possono essere entrambi corretti, e la documentazione del fornitore risolve la questione a favore di quello più piccolo. Vale la pena segnalare fin da subito questo tipo di deriva, perché tutto il resto in questo pezzo dipende dalla stessa domanda: quali numeri sono del fornitore, quali sono di un mirror e quali sono stati verificati da qualcuno che non sia il fornitore.

Che cosa è stato effettivamente rilasciato, e in quale ordine

Il record, in sequenza:

• 30 settembre 2026, 21:15:35 UTC — Cloudflare/clef, il modello 27B, viene creato su Hugging Face.

• 30 settembre 2026, 21:15:36 UTC — Cloudflare/clef-flash viene creato, un secondo dopo. Entrambi sono fine-tune di basi Qwen: Clef da Qwen3.8-27B, Clef-Flash da Qwen3.5-9B.

• 1 ottobre 2026, 15:23 UTC — il repository di clef-flash è stato modificato per l'ultima volta, cioè più o meno quando è stato scritto il testo della model card che stiamo citando.

• 1 ottobre 2026, 15:34 UTC — "Presentiamo Clef: i nostri modelli decisionali open source e la nuova piattaforma di fine-tuning RL" viene pubblicato sul blog di Cloudflare, che ospita entrambi i modelli su Workers AI e lancia un servizio di fine-tuning incentrato su di essi.

• 2–3 ottobre 2026 — i runtime di terze parti recuperano i pesi; compaiono la pagina della libreria di un runtime di terze parti e le build quantizzate della community.

Quindi questa non è una fuga di notizie, non è un rilascio silenzioso e non è un checkpoint non annunciato che un lettore deve trattare come una voce. Si tratta di un rilascio GA con un post sul blog, un'API ospitata sulle GPU edge di Cloudflare, una licenza Apache-2.0 sui pesi e una piattaforma commerciale di fine-tuning collegata. L'unica cosa davvero strana è il vantaggio di diciotto ore che il repository ha avuto sull'annuncio — abbastanza lungo perché il modello fosse pubblico mentre la pagina di marketing del fornitore non esisteva ancora, abbastanza breve che nessuno al di fuori di Cloudflare lo avesse eseguito in modo significativo.

Un modello decisionale non è un piccolo modello linguistico.

L'impostazione nel post di Cloudflare è che i modelli decisionali sono una categoria distinta, e l'architettura sostiene questa affermazione anziché decorarla. Clef-Flash mantiene congelato il backbone Qwen3.5-9B, incluso il suo encoder visivo. Sopra di esso si trova una piccola testa transformer — 243,5 MB di pesi nella release, contro circa quattro file shard del backbone che arrivano a 18,8 GB — che instrada le evidenze dallo stato verso ciascuna domanda e valuta ogni opzione di ogni domanda in un'unica passata. Cloudflare lo definisce "non autoregressivo": non c'è generazione token per token, nessun testo intermedio di ragionamento, nessun parsing dell'output. Si ottiene un logit per ogni opzione consentita, si applica softmax per domanda e si ha una distribuzione.

La forma della richiesta deriva da ciò. Fornisci state — una stringa, oppure un oggetto o un array JSON — un elenco facoltativo di immagini o fotogrammi video, e da una a sessantaquattro domande denominate. Ogni domanda dichiara un type: noul per un giudizio vero/falso che restituisce la probabilità che sia vero, choice per un insieme di opzioni denominate che restituisce l'opzione scelta più le probabilità per ciascuna opzione e una confidenza, oppure score per una scala ordinata che restituisce un livello ponderato per probabilità. I criteri sono facoltativi per noul e pressoché obbligatori per gli altri, e la documentazione è insolitamente schietta su una trappola: la confidenza «mostra quanto sono concentrate le probabilità. Non è la probabilità che la risposta sia corretta». Un modello che risponde con sicurezza non per forza risponde correttamente, e una misura di calibrazione è l'unica cosa che separa le due.

Questa distinzione è l'intero motivo per cui vale la pena interessarsi. Se hai mai chiesto a un modello general-purpose di classificare un ticket di assistenza e poi hai provato a interpretare la risposta, hai già pagato il prezzo che questo design elimina. Clef-Flash non può produrre la frase "Questa sembra una questione di fatturazione, probabilmente?" perché non può produrre alcuna frase. Restituisce {"choice": "billing", "probabilities": {"billing": 0.981, ...}, "confidence": 0.924} — l'esempio proviene direttamente dalla documentazione di Cloudflare — e il tuo codice gli applica una soglia.

I numeri, e chi li ha gestiti

Ogni dato riportato di seguito proviene dalla model card di Cloudflare o dal post sul blog, e tutte le valutazioni sono state eseguite da Cloudflare. La suite è il Jev Decision Index — una classifica pubblicata da TypeSafe, il fornitore di Jev, il modello rispetto al quale viene benchmarkato Clef-Flash — quindi il confronto è un prodotto di un fornitore misurato sull'indice di un rivale, con test eseguiti dal fornitore stesso. Non esiste ancora alcuna valutazione indipendente di Clef-Flash, e questo articolo non pretende il contrario.

Sui benchmark specifici per le decisioni, Clef-Flash è davvero forte in un modo che merita di essere distinto dal marketing: BFCL case-exact 98,8, API-Bank 93,1, simulazione home-appliance 97,7, ContractNLI macro-F1 84,3, RouterBench 79,9. Supera il Clef 27B più grande su BFCL (98,8 contro 98,5), API-Bank (93,1 contro 91,9) e la suite home-appliance (97,7 contro 83,0) — quest'ultima con un margine di quattordici punti, che è la cella in assoluto più sorprendente della tabella e quella che nessuno al di fuori di Cloudflare ha verificato.

Le perdite sono altrettanto reali e appartengono allo stesso paragrafo. Su CLINC150 con gestione out-of-scope, clef-flash ottiene 66,8 di macro-F1 contro il 97,4 del 27B e l'89,3 di Jev — un precipizio di trenta punti sul rilevamento delle intenzioni con un bucket "other", che è esattamente la forma di richiesta che un livello di routing vede più spesso. Su ANLI ottiene 59,1 contro il 74,8 di Jev; su When2Call 65,6 contro l'81,0 di Jev; su GPQA Diamond 51,0 contro il 78,3 di Jev. E su POP909-CL, un benchmark di etichettatura degli accordi, ottiene 1,6 — un numero che è o un disallineamento di formato dei dati o un vero fallimento, e la scheda non dice quale dei due.

La tabella delle latenze è il punto in cui il modello si guadagna il suo nome. Latenza mediana delle richieste 38,8 ms, p95 122,4 ms, rispetto al 27B Clef a 209,3 / 238,6 e a Jev a 524,1 / 536,0. Cloudflare ha misurato sulla propria infrastruttura, quindi considera i millisecondi assoluti come un limite superiore a quelli che vedresti altrove, ma l'ordine — la variante flash è circa cinque volte e mezza più veloce del suo stesso fratello maggiore e tredici volte più veloce di Jev sulla mediana — è la dimostrazione che il design funziona come promesso.

L'unica cifra sulla quale gli annunci non concordano

La finestra di contesto è il numero che morderà le persone, perché è quello che è stato copiato male. La documentazione di Workers AI di Cloudflare per @cf/cloudflare/clef-flash dichiara una finestra di contesto di 65.536 token. Il post sul blog dice «il nostro modello ha una finestra di contesto di 64k (rispetto ai 32k di Jev)». L'helper di codifica della model card stessa ha come valore predefinito max_length=16,384 token. Nel frattempo, la scheda della libreria di un runtime di terze parti pubblicizza 256K nella sua tabella.

Tre fonti dei fornitori concordano su circa 64K e una scheda di terze parti ne indica quattro volte tanto. Se stai dimensionando un prompt rispetto a un budget di 256K sulla base di una pagina di libreria, lo scoprirai al momento della richiesta. La lettura onesta è 65.536 token come tetto documentato, con l'avvertenza che le note di rilascio di Cloudflare non riconciliano mai con esso il valore predefinito di 16.384 token della scheda — un valore predefinito, non un limite, ma uno che influenzerà silenziosamente la quantità di stato che invii se usi il loader in bundle così com'è.

Dove puoi chiamarlo e dove non puoi

Clef-Flash non è ancora una delle route su OrcaRouter. Il nostro catalogo restituisce un 404 per esso, e nulla in questo articolo deve essere interpretato come una dichiarazione di disponibilità da parte nostra — se lo vuoi oggi, Cloudflare lo ospita su Workers AI a $0,09 per milione di token di input, e i pesi Apache-2.0 sono tuoi per eseguirlo localmente.

Ciò che questo significa per la decisione di cui questo articolo parla davvero è che uno scorer raggiungibile solo attraverso la piattaforma di un unico fornitore è uno scorer di cui erediti latenza e disponibilità insieme alla sua accuratezza. L'alternativa ospitata con una route è Jev 1.13 di TypeSafe, disponibile su OrcaRouter a $0.042 per milione di token di input con una finestra di contesto di 65.536 token, ed è il modello che Cloudflare ha scelto come riferimento di benchmark — deliberatamente, perché i due sono compatibili a livello di API. Clef-Flash parla la stessa /v1/systemone forma di richiesta, quindi i due sono intercambiabili dietro un sottile adapter. Il fatto di poterli raggiungere entrambi con una sola chiave, con il prezzo di listino del fornitore passato senza alcun ricarico, è il motivo per cui conviene mantenere vivo quel confronto invece di vincolare l'architettura al modello che è capitato di uscire per primo.

Cosa cambierebbe questa lettura

Tre cose, in ordine di quanto sposterebbero il quadro.

Qualcuno al di fuori di Cloudflare deve riprodurre le celle CLINC150+OOS e home-appliance, perché puntano in direzioni opposte e la scheda non fornisce alcun meccanismo per nessuna delle due. Un 66,8 nel rilevamento di intent fuori ambito accanto a un 97,7 nel controllo degli elettrodomestici non è una curva di capacità regolare; suggerisce un modello molto bravo con le forme di classificazione della sua distribuzione di addestramento e molto più debole nel rifiutare di classificare quando la risposta corretta è "nessuna di queste". Se ciò regge in test indipendenti, è il fatto operativo più importante su clef-flash e non è nella sezione dei punti salienti.

La discrepanza nel listato tra 64K e 256K ha bisogno di una fonte per essere corretta, perché al momento si sta propagando da un mirror verso i luoghi che le persone leggono davvero. La documentazione del fornitore di solito non è quello che devi citare per vincere una discussione contro la scheda di un runtime, e questo è un piccolo caso in cui lo è.

E la categoria deve sopravvivere al contatto con carichi di lavoro reali. L'impostazione stessa di Cloudflare è che i modelli decisionali si trovano nel percorso critico per gli agenti — due secondi per recuperare, renderizzare e classificare un sito web contro 4,7 secondi per il loro LLM generalista più veloce sullo stesso compito, nel loro esempio di Threat Intelligence. Questa è un'affermazione reale e specifica su un flusso di lavoro reale e specifico, ed è il tipo di affermazione che viene decisa dalle persone che la eseguono, non da una tabella.