Clef-Flash: o Modelo de Decisão 9B da Cloudflare, e o que o Cloudflare no nome realmente significa

Cloudflare/clef-flash é um modelo de 9 bilhões de parâmetros que responde a perguntas com probabilidades em vez de frases. Você fornece a ele um estado — texto, JSON, uma imagem, um quadro de vídeo — mais um esquema de até 64 perguntas nomeadas, e ele retorna uma pontuação por opção permitida em uma única passagem direta. Não há texto gerado para analisar nem traço de raciocínio para ler, porque não há caminho de saída de texto algum. É a metade menor de um par: Cloudflare/clef é o irmão de 27 bilhões de parâmetros lançado junto com ele, e um terceiro membro da família, Cloudflare/clef-omni, acrescenta entrada de áudio em um backbone de mistura de especialistas de 30B. Todos os três vêm da própria Cloudflare, que é o fato que mais vale acertar exatamente, porque um leitor que chega de uma busca pelo nome deste modelo geralmente chega com uma de duas suposições — que Cloudflare/clef-flash é uma cópia hospedada na Cloudflare do modelo de outra pessoa, ou que a Cloudflare é apenas o host — e ambas estão erradas na mesma direção.

O que o Clef-Flash é, e o que não é

A descrição de uma linha do próprio fornecedor, repetida tanto na ficha do modelo do Hugging Face quanto na página do modelo do Workers AI, é que ele "transforma um estado e um esquema de perguntas tipadas em decisões". Essa é uma afirmação mais restrita do que parece, e vale a pena destrinchá-la antes de qualquer benchmark.

Cada pergunta no seu esquema declara um de três tipos:

• novo — um julgamento de sim/não que retorna a probabilidade de a resposta ser verdadeira, com descrições opcionais do que um sim e um não significam no contexto desta pergunta.

• choice — um conjunto de opções nomeado com 2 a 255 entradas, que retorna a opção vencedora, uma probabilidade por opção e um nível de confiança.

• pontuação — uma rubrica ordenada de 2 a 10 níveis, retornando um nível ponderado por probabilidade que pode ficar entre níveis, uma legenda que mapeia índice para descrição, probabilidades por nível e uma confiança.

Uma requisição contém de 1 a 64 perguntas, e as respostas retornam em um objeto answers indexado pelos IDs das suas perguntas. Cada opção em cada pergunta é pontuada na mesma passada, então o custo de um esquema de doze perguntas não é de doze chamadas — é de uma. O que você recebe do outro lado é uma distribuição, não uma frase, e seu código aplica um limiar a ela.

Duas coisas decorrem disso que um leitor que compare isto com um modelo de chat deve internalizar. Primeiro, não há modo de falha em que o modelo escreva uma explicação que você depois tenha de analisar, porque a prosa não é alcançável. Segundo, e menos confortável: se a resposta certa não estiver no seu conjunto de opções, o Clef-Flash não tem mecanismo para lhe dizer. Ele pontua as opções que você escreveu. Nada no esquema de requisição publicado acrescenta uma categoria "nenhuma destas", a menos que você mesmo coloque uma lá.

A Cloudflare no nome: três funções, uma empresa

As pessoas pesquisam por este modelo com o Cloudflare anexado a ele — cloudflare/clef-flash, e cloudflare clef flash em palavras simples. Vale a pena explicitar o prefixo, porque ele aponta para três camadas separadas e apenas uma delas é de hospedagem.

• A organização que o treinou. O Clef-Flash é um modelo da Cloudflare. O post de anúncio da Cloudflare, "Introducing Clef: our open-source decision models, and new RL fine-tuning platform", publicado em 1º de outubro de 2026 e assinado por Michelle Chen, Alex Reneau e Kevin Flansburg, descreve-o como um lançamento treinado pela Cloudflare e afirma que os modelos foram "pós-treinados" internamente a partir de uma base upstream de pesos abertos. Este não é um checkpoint de terceiros que a Cloudflare pegou.

• O namespace da Hugging Face. Os pesos ficam em huggingface.co/Cloudflare/clef-flash. É por isso que a string cloudflare/clef-flash circula: é um caminho de repositório, na mesma forma que qualquer outro repositório de uma organização. É a razão mais comum pela qual as duas palavras andam juntas, e não é uma alegação de hospedagem.

• O host de inferência, que também é a Cloudflare. O id do modelo servido é @cf/cloudflare/clef-flash, executado pelo Workers AI em api.cloudflare.com/client/v4/accounts/<account_id>/ai/run/@cf/cloudflare/clef-flash. Portanto, a configuração de hospedagem a ser descrita não é "um modelo hospedado na Cloudflare" no sentido neutro de um anúncio em um marketplace. É o fornecedor servindo seus próprios pesos em sua própria plataforma.

A consequência prática é esta: o modelo, a concessão de licença, o endpoint da API e a fatura remetem todos para uma única empresa, e um leitor que presumiu uma camada de hospedagem independente entre eles não tem um segundo fornecedor a quem recorrer para este checkpoint. Os pesos Apache-2.0 são a única válvula de escape disso, e são reais — mais sobre isso abaixo. O que não é verdade, até onde qualquer página de fornecedor que conseguimos encontrar afirma, é que o Clef-Flash seja oferecido por qualquer outro provedor de inferência. O próprio material da Cloudflare não nomeia nenhuma plataforma de terceiros, e não encontramos nenhuma que o ofereça.

Tamanho, arquitetura e licença

Os números, tanto do próprio repositório do modelo quanto da documentação da Cloudflare, ambos consultados hoje:

• Parâmetros — 9.409.813.744 em BF16, portanto "9B" é um arredondamento para baixo, não um exagero. A torre de visão conta para esse total.

• Backbone — Qwen3.5-9B, congelado durante o pós-treinamento, incluindo seu codificador de visão, armazenado como safetensors fragmentados padrão. Quatro fragmentos, aproximadamente 18,8 GB de pesos no total.

• A parte treinada — uma "cabeça de esquema conjunta", uma pequena cabeça de transformer pesando 243,5 MB que lê os estados ocultos finais da backbone, encaminha evidências do estado para cada pergunta e pontua conjuntamente todas as opções de cada pergunta. Um logit por opção permitida; softmax por pergunta fornece a distribuição.

• Método de treino, tal como a Cloudflare o descreve — a cabeça de roteamento otimizada em conjunto com adaptadores de baixo posto de rank 256 sobre um backbone congelado, com entropia cruzada com suavização de rótulos para validade de esquema, combinada com uma perda de Brier orientada à calibração de probabilidades, além de um objetivo secundário que a Cloudflare designa por Reinforcement Learning for Calibrated Decisions.

• Licença — Apache-2.0, "seguindo o modelo base", nas palavras do próprio cartão. O uso comercial não é restrito pela licença, e os pesos não estão bloqueados: o repositório é baixado sem solicitação de acesso.

A forma da coisa — tudo o que foi treinado fica em uma cabeça de 243 MB parafusada a um backbone congelado de 18,8 GB — é o motivo para levar a descrição da arquitetura a sério, em vez de tratá-la como marketing. O modelo não pode ter aprendido novos conhecimentos de mundo, porque os pesos que carregam conhecimento nunca se moveram. O que ele aprendeu foi como encaminhar evidências para uma decisão. Essa é uma capacidade real e limitada, e explica o padrão de benchmark mais adiante nesta página melhor do que qualquer alegação de precisão.

Janela de contexto e o teto de saída

Este é o valor que mudou e, se você está dimensionando um prompt hoje, deve consultar o número atual em vez de qualquer número em circulação desde o lançamento.

A página de modelo do Workers AI da Cloudflare para @cf/cloudflare/clef-flash, consultada em 12 de outubro de 2026, indica uma janela de contexto de 24.576 tokens. O post de anúncio de 1º de outubro afirma algo diferente — "nosso modelo tem uma janela de contexto de 64k (em comparação com os 32k do Jev)" — e o próprio helper encode_record do cartão do Hugging Face usa por padrão max_length=16,384. Para comparação, a página do Workers AI para o clef de 27B fornece 65.536 tokens e a página de clef-omni fornece 64.000.

A leitura honesta: a documentação atual do fornecedor para este modelo específico diz 24.576, e o post de lançamento dizia 64k. Essas são duas fontes do próprio fornecedor que discordam entre si, e apenas uma delas é a página com a qual um desenvolvedor faz a integração. Se você criou um prompt com um orçamento de 64K com base no anúncio, o teto documentado agora é cerca de um terço disso. Verifique antes de enviar.

As entradas de mídia são faturadas e contabilizadas nesse orçamento, que é o detalhe que mais dói. As imagens são tokenizadas por patch de 32×32 pixels, com três tokens, e cada imagem é limitada a 1.024 tokens; uma imagem com mais de cerca de um milhão de pixels é reduzida, e uma com menos de aproximadamente 65.000 pixels é ampliada. Se os tokens de mídia mais os tokens da sua pergunta excederem a janela, a solicitação falha imediatamente. Se não excederem, o estado do texto é truncado para caber no restante — silenciosamente, a partir do fim, sem que nenhum erro seja lançado. Um esquema que cabe em um dia perderá silenciosamente parte do seu estado em um dia com muitos documentos.

A saída máxima não é publicada. A página de modelo da Cloudflare afirma apenas que "os modelos Clef não cobram por tokens de saída", e o esquema de resposta contém um usage.output_tokens campo sem limite documentado. Isso não é uma omissão para encobrir com um palpite: um modelo de pontuação não autorregressivo não tem um orçamento de decodificação no sentido em que um modelo autorregressivo tem, e o fornecedor não documenta nenhum limite, então não há limite a citar. Se você precisar de um, o que se deve considerar é a contagem de opções e a contagem de perguntas, não os tokens de saída.

Modalidades de entrada, e exatamente o que retorna

As descrições do fornecedor e o esquema da solicitação coincidem no lado da entrada e divergem ligeiramente em um ponto, então aqui está a divisão.

• Entradas, conforme o cartão do modelo — texto, JSON ou dados estruturados de qualquer formato, imagens e matrizes de quadros de vídeo. Registros apenas de texto e multimodais podem ser misturados em um único lote, e os parâmetros de mídia são repassados ao processador por meio de um media_kwargscampo

• Entradas, conforme o esquema de requisição do Workers AI — a lista de parâmetros documentada expõe um images array e nenhum parâmetro de vídeo, com máximo de 4 imagens, 4 MiB e 16 megapixels por imagem, 8 MiB no total decodificado e limite de 13 MiB no corpo inteiro da requisição. Apenas bytes incorporados: URLs remotas não são aceitas.

• Saída — probabilidades sobre as opções que você definiu, no objeto answers, em uma de três formas dependendo do tipo de pergunta. Sem texto livre, sem markdown, sem chamadas de ferramenta.

Interprete essa diferença como uma distinção entre superfícies de hospedagem, e não como uma contradição. O checkpoint documenta quadros de vídeo; o endpoint do Workers AI que você chama via HTTP documenta imagens. Se o vídeo fizer parte do seu plano, o caminho a verificar é o auto-hospedado.

O que a Cloudflare afirma, e o que foi realmente medido

Todos os números desta seção vêm da Cloudflare, e foi a Cloudflare que executou tudo isso. Essa é a frase mais importante desta página, então vale a pena ser específico sobre o maquinário.

A suíte de benchmarks é o Decision Index 0.2.1. A ficha do modelo descreve os resultados como "nossa execução interna", e o ranking público que ela vincula está hospedado em um endereço operado pela Cloudflare. O modelo contraparte em toda a análise é o Jev da TypeSafe, e os números de fluxos de trabalho empresariais de ponta a ponta vêm do Typesafe Evals. Portanto, a comparação é um fornecedor medindo seu próprio modelo, em um índice nomeado em referência ao concorrente contra o qual ele é medido, e publicando o resultado ele mesmo. Não há avaliação independente do Clef-Flash. Ao verificar hoje: o Artificial Analysis não tem uma página de modelo para ele, e o ranking de texto da LMArena não lista nenhum modelo rotulado como Cloudflare. Quando um fornecedor não publica nenhuma pontuação de terceiros, dizer isso é a constatação.

Com esse rótulo anexado, os resultados com formato de decisão são genuinamente fortes: BFCL com exatidão por caso de 98,8, acurácia do API-Bank de 93,1, macro-F1 do ContractNLI de 84,3, RouterBench 79,9, FinEntity 97,1, e um simulador de eletrodomésticos com exatidão por caso de 97,7 — o último dos quais está quatorze pontos acima do maior 27B Clef na mesma linha. As linhas de conhecimento geral também se mantêm: MMLU 91,8, ARC-Easy 99,5, ARC-Challenge 98,3, WinoGrande 97,5, HellaSwag 98,6, CLadder 97,7, e um Brier do ForecastBench de 10,6, que é o melhor da sua coluna e o tipo de número de calibração pelo qual um modelo que produz probabilidades deveria ser julgado.

As perdas pertencem ao mesmo parágrafo, e têm um formato. No CLINC150 com tratamento de out-of-scope, o Clef-Flash obtém 66,8 de macro-F1, contra 97,4 do Clef de 27B e 89,3 do Jev. No ANLI, obtém 59,1, contra 74,8 do Jev. No When2Call, 65,6 contra 81,0. No GPQA Diamond, 51,0 contra 78,3. No RAGTruth, 35,6 contra 76,5. E no POP909-CL, um benchmark de rotulagem de acordes, ele retorna 1,6.

Um 66,8 em detecção de intenção fora do escopo ao lado de um 97,7 em controle de eletrodomésticos não é uma curva de capacidade suave. É o perfil de um pontuador que é muito bom nas formas de classificação para as quais foi pós-treinado e bem mais fraco em recusar-se a classificar quando a resposta correta é "nenhuma destas" — que é, de forma incômoda, exatamente o julgamento de que uma camada de roteamento ou um pipeline de triagem mais precisa. O 1,6 em rotulagem de acordes é ou uma incompatibilidade de formato ou uma falha genuína, e o cartão não distingue.

Os resultados de fluxo de trabalho, do Typesafe Evals, são mais mistos do que as linhas de destaque: ações exatas de processamento de faturas 57,1 contra 64,7 da Clef e 61,8 da Jev; ações exatas de atendimento ao cliente 77,0, à frente das duas; incidentes de segurança 61,7; observabilidade de rastreamento de agente 69,8. O irmão de 27B vence a tabela de fluxo de trabalho em três das cinco linhas.

A latência é onde o modelo faz jus ao nome, e a mesma ressalva se aplica. Latência mediana de requisição de 38,8 ms e p95 de 122,4 ms, medidas pela Cloudflare em infraestrutura da Cloudflare, contra 209,3 / 238,6 do Clef 27B. Milissegundos absolutos vindos do hardware do próprio fornecedor não são limite superior nem inferior de nada; a ordenação é a afirmação, e a ordenação — cerca de cinco vezes mais rápida que seu próprio irmão maior — é a arquitetura fazendo o que promete.

Como um leitor realmente o chama

Existem duas rotas, e elas são compromissos genuinamente diferentes.

A rota hospedada. Chame-a no Workers AI como @cf/cloudflare/clef-flash, de dentro de um Worker por meio da env.AI.run() binding, ou via REST no endpoint da Cloudflare com um bearer token. Os campos obrigatórios são model, state e questions; o seletor model deve corresponder ao padrão ^\s*(clef|clef-flash)\s*$, que é como o 27B e o 9B são desambiguados no mesmo endpoint. O preço na página do modelo do Workers AI e na página de preços do Workers AI é $0.038 por milhão de tokens de entrada, com os tokens tokenizados como tokens de entrada à mesma tarifa e sem cobrança pelos tokens de saída.

A rota auto-hospedada. Os pesos são Apache-2.0 e não têm restrição de acesso, então você pode executá-los por conta própria. O cartão documenta um caminho de referência de torch 2.11 e transformers 5.10.2 em uma única H200, com pillow para entradas de imagem e vídeo, e aponta para um guia de receitas do SGLang para comandos de inicialização em H200, B200 e B300. Servido dessa forma, o modelo responde em /v1/systemone.

Esse caminho não é incidental, porque é a razão pela qual vale a pena entender este modelo em vez de apenas usá-lo. Clef-Flash é "totalmente compatível com Jev e SystemOne", nas palavras do cartão: ele aceita um corpo de requisição Jev/SystemOne e retorna o mesmo corpo de resposta — modelo, respostas indexadas por id da pergunta, uso. A compatibilidade foi deliberada o suficiente para que um commit posterior no repositório adicione o systemone como ponto de entrada explicitamente. Se seu pipeline já faz perguntas a um modelo de decisão nesse formato, substituir este é uma string de modelo e uma URL, não uma migração. Essa é uma redução real no custo de troca, e é o único fato arquitetural aqui que muda o que um leitor pode fazer.

Uma nota de roteamento, dita como fato e não como propaganda: o OrcaRouter não serve Cloudflare/clef-flash. Verificamos nosso catálogo ativo hoje e ele não está lá, e nada nesta página deve ser lido como uma afirmação de que está. O que nosso catálogo oferece é o modelo para o qual o Clef-Flash foi criado para ser um substituto direto — o Jev 1.13 da TypeSafe está em nosso catálogo a $0,042 por milhão de tokens de entrada em sua tabela de preços (o selo de fatos rápidos da página arredonda isso para $0,04), com um contexto de 65K tokens e o mesmo tipo de endpoint POST /v1/systemone. Como os dois falam o mesmo formato de conexão, a troca entre eles é uma mudança de configuração, e não uma reescrita, que é exatamente o motivo para manter ambos acessíveis a partir de uma única chave em vez de comprometer uma arquitetura com o modelo que foi lançado primeiro. O OrcaRouter opera com preço de tabela do provedor repassado sem markup, então uma mudança de preço em qualquer um dos fornecedores fica ativa do nosso lado no mesmo dia.

O que ainda está aberto?

Três coisas, na ordem em que mudariam o cenário.

Alguém fora da Cloudflare precisa reproduzir juntas as células fora de escopo e de eletrodomésticos do CLINC150, porque elas apontam em direções opostas e a execução publicada não fornece mecanismo para nenhuma delas. Se o 66,8 se mantiver sob testes independentes, esse é o fato operacionalmente mais importante sobre o Clef-Flash e não está na lista de pontos fortes do anúncio.

A janela de contexto precisa de um único número reconciliado do fornecedor. No momento, a própria página de documentação do modelo diz 24.576 tokens, o post de lançamento diz 64k, e o auxiliar de codificação incluído usa 16.384 como padrão. Qualquer pessoa dimensionando um prompt de produção está escolhendo em qual de três declarações do fornecedor acreditar.

E a categoria precisa de contato com cargas de trabalho reais em volume de produção. A Cloudflare enquadra a questão afirmando que os modelos de decisão ficam no caminho crítico — um exemplo de classificação de domínio em seu post tem a Clef retornando um veredito em 2,2 segundos contra 4,7 segundos para um modelo de propósito geral na mesma tarefa. Essa é uma afirmação específica e testável sobre um fluxo de trabalho específico, e será decidida por pessoas que o executam, não por uma tabela.