Clef-Flash vs Qwen3-8B：誰もがすでに動かしている8Bに、38ミリ秒で挑む

多くのチームがQwen3-8Bに任せるような、特定の地味な仕事がある：このチケット、このログ行、このフォームを読んで、それが自分の4つのバケットのどれに入るか教えてほしい。それは会話の形をした分類タスクであり、Qwen3-8Bはそれに十分に長けているため、誰も置き換えようとしてこなかった。2026年9月30日、CloudflareはCloudflare/clef-flashの重みを公開した。これはその1つの仕事だけをこなし、それ以外は何もしないために作られた9Bモデルであり、興味深い問いは、それがQwen3-8Bより賢いかどうかではない。あなたが現在8Bの汎用モデルから得ているものを、生成トークンを支払ってまで得る価値がそもそもあるのかどうかである。

Clef-Flashは、その問いにベンチマークではなく構造で答える。状態と、最大64個の型付き質問からなるスキーマを受け取り、許可されたすべての選択肢についてのロジットを、単一の非自己回帰的パスで返す——中間テキストも、パースもなく、確率以外の出力はない。Cloudflareが測定した中央値リクエストレイテンシは38.8 msで、ベンチマーク比較対象であるTypeSafeの意思決定モデルJevの約500 msに対してである。Qwen3-8Bはその表にはない。なぜならQwen3-8Bはそのゲームをしないからだ。それは答えを書き、あなたがそれを読む。

この組み合わせが、仕様表の羅列ではなく本格的な比較に値するのは、両モデルに共通するベンチマークが一切ないからだ。出回っている Clef-Flash の数値はすべて、競合が公開した指標を使って Cloudflare が算出したもので、Cloudflare の外部でそれを再現した者は誰もいない。Qwen3-8B には、3世代にわたる独立した利用の蓄積と、異議を唱えられる公開記録がある。乗り換えるかどうかを決めるのは、レイテンシの差ではなく、この非対称性であるべきだ。

2つのサイズではなく、2つの出力契約

ここでのパラメータ数は、かえって気を散らすほど近い —— Clef-Flash が 9B で、Qwen3-8B が 8.2B、そのうち 6.95B は非埋め込み。重要な違いは、各モデルが何を出力することを許されているかにある。

Qwen3-8Bは因果言語モデルです。サポートチケットを渡すとトークンを生成し、デフォルトではまず推論ブロックを生成します。これは、オフにしない限り思考モードが有効だからです。分類、説明、エスカレーション、返信の下書き、または分類体系にケースが欠けていることの指摘まで、すべて同じ重みから、スキーマ不要で行えます。そのカードには、36層、32クエリヘッド対8KVヘッドのグループ化クエリ注意、100以上の言語、ネイティブで32,768トークンのコンテキスト長、YaRNによる131,072までの拡張が記載されています。ほとんどのチームが頼るモデルです。なぜなら、何でもこなせるモデルだからです。

Clef-Flashはポストトレインであり、会話パートナーではない。CloudflareはQwen3.5-9Bバックボーンを——その視覚エンコーダーを含めて——凍結し、その上にジョイントスキーマヘッドを訓練した。243.5 MBのヘッド重みに対し、4つのシャード化されたバックボーンファイルは合計約18.8 GBになる。ヘッドはバックボーンの最終隠れ状態を読み取り、状態からの証拠を各質問にルーティングし、すべての質問のすべての選択肢をまとめてスコアリングする。制約こそが特徴だ。Cloudflareはそれを確率のみを出力するよう制約しており、だからこそベースモデルはその系譜に現れるが、その出力には決して現れない。

それがどの系統に連なるかに注目。Clef-Flash は Qwen3.5-9B の子孫であり、Qwen3-8B が属する Qwen3 系列の次の世代にあたる。つまりこれは、9B の派生モデルが通常たどる、自身のベースモデルをファインチューニングしたという話ではない — 同じ家系図の別の枝であり、別の契約のために再訓練されている。

同じジョブを、2通りの方法で実行

どちらのモデルもサポートチケットをルーティングできる。だが失敗の仕方が異なり、その失敗の様態こそが移行のコストなのだ。

Qwen3-8B では、作業の要点はプロンプトとパーサーにある。カテゴリを記述し、そのうちの1つを返すように求め、次にモデルが「これは請求に見えるが、技術的な可能性もある」と返すケースに対処する——下流のコードが処理できない、現実の曖昧さに対する現実の答えだ。カード自体のガイダンスは明示的で、効率化の作業では思考モードを無効にすべきであり、貪欲デコーディングは出力を劣化させ、思考がオンのときはマルチターン履歴で推論ブロックを引き継ぐべきではない、と述べている。それらの指示の一つ一つが、汎用モデルがあなたに押し付ける判断なのだ。

Clef-Flashでは、作業はスキーマへと移る。choice質問では1問につき2〜26個の選択肢を宣言し、score質問では2〜26段階のレベルを宣言すると、選ばれた選択肢、すべての選択肢の確率、そして信頼度の値が返ってくる。この契約には、見出しのレイテンシの数値よりも価値のある3つの細部がある。第一に、信頼度は正しさではない——Cloudflareのドキュメントは、それが確率の集中度を測るものであって、答えが正しい確率ではないとはっきり述べている。第二に、同点は宣言した選択肢の順序で解決されるので、二つの選択肢が本当に重なり合っている場合、あなたはリストの並べ方によって気づかぬうちに決定を下していたことになる。第三に、そしてこれが最も効いてくる点だが、自分で書かない限り「上記のいずれでもない」は存在しない。意思決定モデルは与えられた選択肢を採点する。プライバシー請求に関するチケットに、請求、技術、営業というスキーマを渡せば、拒否ではなくその三つの中で最もマシなものが返ってくる。

その最後の点は諸刃の剣であり、この比較の正直な核心だ。Qwen3-8B は、あなたのタクソノミーが壊れていると教えてくれる。Clef-Flash はそうしない。そしてパイプラインにおいて、それは紛れもない後退だ——1か月後に、誤って振り分けられたキューの中で発見する類の。このトレードオフは、現実のレイテンシと現実の決定性を取るか、あなたが思いつかなかった問いを浮かび上がらせてくれるモデルを取るか、ということだ。

数字が語ることと語らないこと

Clef-Flashの公開結果は、CloudflareによるJev Decision Index 0.2.1スイートの実行から得られたものであり、同じ実行がベンダーのブログ投稿の根拠にもなっている。強みとなるセルは正確に述べておく価値がある。BFCLケース完全一致98.8、API-Bank精度93.1、家電シミュレータ97.7、ContractNLIマクロF1 84.3、RouterBench選択品質79.9。TypeSafe独自の評価スイートにある4つのエンドツーエンド業務ワークフローでは、Clef-Flashはカスタマーサービスで77.0を記録し、Jevの76.0とより大きな27B Clefの76.3を上回る一方、請求書処理では57.1で、Jevの61.8とClefの64.7に敗れている。

弱いセルも強いセルと同じくらい示唆に富んでいる。スコープ外処理を備えた CLINC150 では、Clef-Flash はマクロF1 66.8で、27B Clef の97.4、Jev の89.3に対してとなる。まさにモデルがいつ回答を控えるべきかを試すベンチマーク形状における30ポイントの崖だ。When2Call は65.6で、Jev の81.0に対して。GPQA Diamond は51.0で、78.3に対して。POP909-CL は1.6に着地するが、これはカードが説明していない数字だ。

さて、表が教えてくれない部分です： Qwen3-8B はそれらのどれにも行がありません。どちらのモデルも、相手方のベンチマークで評価されたことはありません。Clef-Flash 自身の MMLU スコア 91.8 と GSM8K 67.3 は、その型付き意思決定ハーネスを通じて算出されたものであり、Qwen が数値を報告したハーネスではありません。したがって、両者を比較するのは、比較の装いをしたカテゴリー錯誤です。ですから誠実な立場としては、共有されたスコアボードは存在せず、この記事がそれをでっち上げることはありません。存在するのは、ベンダーが自社インフラ上で測定したレイテンシーギャップ、構造的に異なるコスト構造、そして Cloudflare 以外の誰も再現していない Decision Index のセル群です。

たった一つの決断がもたらす代償

CloudflareのWorkers AIドキュメントでは、Clef-Flashを入力100万トークンあたり$0.09と記載しており、出力には一切課金しません。というのも、実質的に出力が存在しないからです — ドキュメントの計算例では、3つの質問からなるリクエストに対して出力トークンが3つ返されます。したがって、1,500トークンのチケットに対するルーティング判断は、入力で約$0.000135、その後は測定できるほどのコストがかかりません。これを1日に100万回実行すると、おおよそ1日$135になり、チケットが複雑になってもこの数字は変わりません。変わるのはチケットが長くなったときだけです。

自己回帰モデルには、それに相当する上限が存在しない。それら100万回の判断の一つひとつが、生成されたトークンにも課金される。そして思考モードがオンになっていれば——Qwen3-8Bではデフォルトでオンだが——モデルは、パスワードリセットのメールが4つのバケットのどれに当たるかを答える前に、何百ものトークンを費やして推論しかねない。enable_thinking=Falseまたは/no_thinkタグで思考をオフにすることは、そのモデル上で組まれたあらゆる分類プロンプトにおいて最も効果の大きい一行であり、しかもそれは簡単に省いてしまえるものだ。この比較は「安価なモデル 対 高価なモデル」ではない。入力のみの固定価格 対 モデルがどれだけ話すかを決めた分だけ膨らむ価格、その比較なのだ。

コンテキスト、3つのベンダーサーフェスからの3つの数値

Clef-Flash の使用可能なコンテキストは、Cloudflare のどの画面を見るかによって異なります。Workers AI のモデルページには 65,536 トークンのコンテキストウィンドウが記載されています。公開されている config.json は max_position_embeddings をテキストタワー用に 262,144 と宣言しています。カード自身のエンコーディングヘルパーのデフォルトは max_length=16,384 で、max_state_tokens を使えば状態を別途制限できます。256K を謳っているサードパーティのランタイム一覧は、サービング制限ではなく設定値を読んでいるだけです。このことはその食い違いを謎として残すのではなく整合させますが、ホストされたエンドポイントを呼び出す人にとっての実用的な数値は 65,536 です。

Qwen3-8Bの数値は独自のもので、1年半にわたって安定しています。ネイティブで32,768、YaRNを有効にすると131,072、そして設定のデフォルトは40,960で、出力用に32,768、プロンプト用に8,192を確保します。したがって、生のウィンドウサイズが判断材料なら、この小型の自己回帰モデルは、ホスト型意思決定モデルが記載しているもののおよそ2倍まで拡張できます。一方で、意思決定モデルが必要とするそれははるかに少なくて済みます。送信しているのは会話ではなく状態だからです。

誰が交換すべきで、誰がすべきでないか

• Swap — 固定された分類体系、3〜26個の宛先、そしてサポートキュー、トリアージステップ、あるいはエージェントゲートがあるなら、生成の0.5秒に対して中央値38.8 ms、p95で122.4 msという速さが、パイプラインでできることを変えます。

• Swap — 現在あなたは8Bから散文をパースし、あなたのフォーマットに合わなかった50件に1件の回答を処理しています。宣言された選択肢に対する分布は、その失敗クラスを完全に取り除きます。

• 入れ替えないでください — 解答セットが事前に分かっていない場合、またはモデルに「分からない」と伝えてもらう必要がある場合です。Clef-Flash には、判定基準に組み込まない限り棄権用のパスがなく、公表されている中で最も弱いセルはまさに範囲外のケースです。

• 入れ替えないこと — ワークロードが推論、制約のない文書からの抽出、要約、またはコードである場合は。Clef-Flash は文を書くことができないため、それを期待する下流のものはすべて Qwen3-8B を使い続ける。

• まだ切り替えないでください — 数値はベンダー以外の誰かに検証してもらう必要があります。Clef-Flash に関する独立した評価は存在せず、そのスコアを算出したスイートは、Clef-Flash が上回るモデルのベンダーによって公開されています。

それぞれをどこで実行するか

どちらも Apache-2.0 なので、どちらも自分でセルフホストできるが、フットプリントはまるで違う。bf16 の Qwen3-8B は約 16 GB で、量子化ビルドはさらにずっと小さく、Q4 ビルドは Ollama ライブラリで 5.2 GB、そこでは qwen3:8b が 3,870 万ダウンロードと 40K のコンテキストウィンドウを掲載している。Clef-Flash は 18.8 GB のバックボーン全体に加えて 243.5 MB のヘッドが必要で、その Ollama ライブラリのページはリリースから数日以内に公開されたが、量子化タグは 11 GB で、共有数は依然として数百程度にとどまっている。Ollama の表記はエンドポイントの 65,536 ではなく、設定の 256K を読み取っている。このダウンロード数の比率はどちらのモデルに対する評価でもない——一方のページは 18 か月前から公開されており、もう一方は約 1 日前に公開されたばかりだ——しかし、それぞれの背後にどれだけの運用実績があるかを如実に示している。

ホスト版を利用したい場合、Cloudflare が Workers AI 上で Clef-Flash を上記の100万あたり $0.09 という価格で実行しており、重みも Hub からダウンロードできます。両モデルは、Clef-Flash なら Ollama の /v1/systemoneエンドポイント（Ollama 0.35.1 以降）、Qwen3 なら標準の generate パスでやり取りします——つまり差し替えはアーキテクチャ上の変更ではなく、クライアント側の変更で済みます。

どちらのモデルも現在当社のルートには含まれていません。OrcaRouter の公開カタログは clef-flash に対しても Qwen3-8B に対しても同様に 404 を返し、ここに書かれている内容を当社による提供可否の主張として受け取るべきではありません。ルーティングレイヤーが実際に変えるのは、パイプラインの生成側の半分です。意思決定モデルが最終的にあなたのエージェントを制御することになったとしても、その決定に基づいて行動するモデルは依然として到達可能でなければならず、そこが単一の API キーの背後に 200 以上のモデルを束ねる 1 つの APIの出番となります — プロバイダーの定価を 0% のマークアップでそのまま反映するため、ベンダーの値下げは同じ日にここへ反映され、さらに自動フェイルオーバーにより、1 社の一時的な不調であなたが今再構築したばかりの経路が落ちることはありません。Qwen のラインナップもまた先へ進んでいます: ここでは Qwen3.8-27B を 100 万トークンあたり入力 $0.40、出力 $4.21 でルーティングできます、262,144 トークンのコンテキストウィンドウを持ち、Qwen3-8B とは別のモデルであってその代替ではありませんが、1 世代上の同じファミリーです。

何がこの読みを変えるだろうか

三つ、順番に。

スコープ外セルの独立実行。Clef-Flash のアプライアンス・シミュレーションにおける 97.7 と、CLINC150+OOS における 66.8 の差は、むらのない性能を持つ分類器を表しているのではない。それは、学習した形状の内側では強く、正解が「none of these」のときには弱いモデルを表している。もしそれが他の誰かのハーネスの下でも成り立つなら、それはこのモデルに関する最も重要な運用上の事実であり、誰のハイライトリストにも載っていない。

Cloudflare のエッジ外から測定されたレイテンシ値。38.8 ms という中央値は印象的で、それはベンダーによって、ベンダーが管理するインフラ上で、エッジでホストされるモデルについて測定されたものだ。Jev との順位付けはおそらく堅牢だろう。疑うべきは絶対値のほうだ。

そして、共通のベンチマークも必要だ。誰かが Clef-Flash と小型のオープン LLM を、同じ分類タスクで同じラベルを使って評価するまでは、両者のどちらを選ぶかは、出力契約、価格構造、そしてどの証拠なら行動の根拠として受け入れるかにかかっている。この3つは今日の多くのパイプラインを決めるには十分だ——しかし、それらは精度比較ではないし、本記事はそうであるふりをするつもりはない。