Clef-Flash é um modelo de 9B que nunca escreve um token — e o blog da Cloudflare chegou quase um dia depois dos pesos

Cloudflare/clef-flash é um modelo multimodal de 9 bilhões de parâmetros que recebe um estado e um esquema de perguntas tipadas e retorna uma probabilidade para cada resposta permitida. Ele não gera texto. Não é "ele gera texto mal" — ele não tem nenhum caminho de saída de texto. O repositório dele apareceu no Hugging Face às 21:15 UTC de 30 de setembro de 2026 sob Apache-2.0; o post de anúncio da Cloudflare que o apresentava, ao lado do maior 27B Cloudflare/clef, foi publicado às 15:34 UTC do dia seguinte. Por aproximadamente dezoito horas, os pesos abertos e o endpoint hospedado do Workers AI existiram publicamente antes que o fornecedor dissesse uma palavra sobre eles, e essa ordem é o fato mais interessante do lançamento — mais interessante, para quem está decidindo se deve conectar isto a um pipeline, do que qualquer linha individual de benchmark.

Uma segunda complicação menor surgiu dois dias depois. A página de biblioteca de um runtime de terceiros para o clef-flash, que foi onde o radar deste artigo viu o modelo pela primeira vez, o lista com uma “janela de contexto de 256K” em sua tabela de modelos, enquanto exibe o próprio texto do readme da Cloudflare — “janela de contexto de 64K: o dobro do estado que a janela de 32K do Jev comporta” — algumas linhas acima. Os dois números não podem estar ambos corretos, e a documentação do fornecedor resolve a questão em favor do menor. Esse tipo de divergência vale a pena sinalizar desde o início, porque todo o resto neste texto é consequência da mesma pergunta: quais números são do fornecedor, quais são de um espelho e quais foram verificados por alguém que não seja o fornecedor.

O que realmente foi entregue, e em que ordem

O registro, em sequência:

• 30 de setembro de 2026, 21:15:35 UTC — Cloudflare/clef, o modelo 27B, é criado no Hugging Face.

• 30 de setembro de 2026, 21:15:36 UTC — Cloudflare/clef-flash é criado um segundo depois. Ambos são ajustes finos do Qwen3.8-27B: o Clef a partir do Qwen3.8-27B, o Clef-Flash a partir do Qwen3.5-9B.

• 1 de outubro de 2026, 15:23 UTC — o repositório do clef-flash foi modificado pela última vez, o que corresponde aproximadamente à época em que o texto do model card que estamos citando foi escrito.

• 1 de outubro de 2026, 15:34 UTC — {{1}}“Apresentamos o Clef: os nossos modelos de decisão de código aberto e a nova plataforma de ajuste fino de RL”{{/1}} é publicado no blog da Cloudflare, {{2}}alojando ambos os modelos no Workers AI{{/2}} e lançando um serviço de ajuste fino em torno deles.

• 2–3 de outubro de 2026 — runtimes de terceiros adotam os pesos; aparecem a página de biblioteca de um runtime de terceiros e compilações quantizadas da comunidade.

Portanto, isto não é um vazamento, nem um lançamento silencioso, nem um checkpoint não anunciado que o leitor tenha de tratar como rumor. É um lançamento GA com um post de blog, uma API hospedada nas GPUs de borda da própria Cloudflare, uma licença Apache-2.0 sobre os pesos e uma plataforma comercial de ajuste fino associada. A única coisa genuinamente estranha é a vantagem de dezoito horas que o repositório teve sobre o anúncio — tempo suficiente para o modelo ser público enquanto a própria página de marketing do fornecedor ainda não existia, e curto o suficiente para que ninguém fora da Cloudflare o tivesse executado de forma significativa.

Um modelo de decisão não é um modelo de linguagem pequeno.

O enquadramento no post da Cloudflare é que os modelos de decisão são uma categoria distinta, e a arquitetura sustenta a afirmação em vez de apenas adorná-la. O Clef-Flash mantém o backbone Qwen3.5-9B, incluindo seu codificador de visão, congelado. Sobre ele repousa uma pequena cabeça transformer — 243,5 MB de pesos na versão, contra aproximadamente quatro arquivos de backbone fragmentados que chegam a 18,8 GB — que encaminha evidências do estado para cada pergunta e pontua todas as opções de cada pergunta em uma única passagem. A Cloudflare chama isso de "não autorregressivo": não há geração token a token, nem texto de raciocínio intermediário, nem análise da saída. Você obtém um logit por opção permitida, aplica softmax por pergunta e tem uma distribuição.

O formato da requisição decorre disso. Você fornece state — uma string, ou um objeto ou array JSON — uma lista opcional de imagens ou quadros de vídeo, e de uma a sessenta e quatro perguntas nomeadas. Cada pergunta declara um type: noul para um julgamento verdadeiro/falso que retorna a probabilidade de ser verdadeiro, choice para um conjunto de opções nomeadas que retorna a opção escolhida mais as probabilidades por opção e uma confiança, ou score para uma escala ordenada que retorna um nível ponderado por probabilidade. Os critérios são opcionais para noul e mais ou menos obrigatórios para os demais, e a documentação é incomumente direta sobre uma armadilha: a confiança "mostra o quão concentradas estão as probabilidades. Não é a chance de a resposta estar certa." Um modelo que responde com confiança não está necessariamente respondendo corretamente, e uma medida de calibração é a única coisa que separa as duas.

Essa distinção é o motivo inteiro para se interessar. Se você já pediu a um modelo de propósito geral para classificar um ticket de suporte e depois tentou interpretar a resposta, você já pagou o preço que este design elimina. O Clef-Flash não consegue produzir a frase "Isto parece um problema de cobrança, provavelmente?" porque não consegue produzir uma frase. Ele retorna {"choice": "billing", "probabilities": {"billing": 0.981, ...}, "confidence": 0.924} — o exemplo vem direto da própria documentação da Cloudflare — e seu código aplica um limiar a ele.

Os números, e quem os dirigiu

Todos os números abaixo vêm da ficha do modelo da Cloudflare ou do post do blog, e a Cloudflare executou todos eles. A suíte é o Jev Decision Index — um ranking publicado pela TypeSafe, a fornecedora do Jev, o modelo em relação ao qual o Clef-Flash é avaliado —, portanto a comparação é a de um produto da própria fornecedora, medido no índice de um concorrente e executado pela fornecedora. Ainda não existe uma avaliação independente do Clef-Flash, e este artigo não finge o contrário.

Nos benchmarks específicos de decisão, o Clef-Flash é genuinamente forte de uma forma que vale a pena separar do marketing: BFCL case-exact 98,8, API-Bank 93,1, simulação de eletrodomésticos 97,7, ContractNLI macro-F1 84,3, RouterBench 79,9. Ele supera o Clef maior, de 27B, no BFCL (98,8 contra 98,5), no API-Bank (93,1 contra 91,9) e na suíte de eletrodomésticos (97,7 contra 83,0) — este último por catorze pontos, que é a célula mais surpreendente da tabela e a que ninguém fora da Cloudflare verificou.

As perdas são igualmente reais e pertencem ao mesmo parágrafo. No CLINC150 com tratamento fora do escopo, o clef-flash obtém 66,8 macro-F1 contra 97,4 do 27B e 89,3 do Jev — um precipício de trinta pontos na detecção de intenções com um bucket "other", que é precisamente a forma do pedido que uma camada de roteamento vê com mais frequência. No ANLI obtém 59,1 contra 74,8 do Jev; no When2Call 65,6 contra 81,0 do Jev; no GPQA Diamond 51,0 contra 78,3 do Jev. E no POP909-CL, um benchmark de rotulagem de acordes, obtém 1,6 — um número que é ou uma incompatibilidade de formato de dados ou uma falha real, e o cartão não diz qual.

A tabela de latência é onde o modelo faz jus ao nome. Latência mediana de requisição de 38,8 ms, p95 de 122,4 ms, contra o Clef de 27B em 209,3 / 238,6 e o Jev em 524,1 / 536,0. A Cloudflare mediu em sua própria infraestrutura, então trate os milissegundos absolutos como um limite superior do que você veria em outros lugares, mas a ordenação — a variante flash é cerca de cinco vezes e meia mais rápida que seu próprio irmão maior e treze vezes mais rápida que o Jev na mediana — é o design funcionando conforme anunciado.

O único número sobre o qual as listagens discordam

A janela de contexto é o número que vai prejudicar as pessoas, porque é o que foi copiado errado. A documentação do Workers AI da Cloudflare para @cf/cloudflare/clef-flash afirma uma janela de contexto de 65.536 tokens. A postagem do blog diz "nosso modelo tem uma janela de contexto de 64k (em comparação com os 32k do Jev)". O próprio auxiliar de codificação do cartão do modelo usa por padrão max_length=16,384 tokens. Enquanto isso, a listagem da biblioteca de um runtime de terceiros anuncia 256K em sua tabela.

Três fontes de fornecedores concordam com cerca de 64K, e uma listagem de terceiros diz quatro vezes isso. Se você está dimensionando um prompt para um orçamento de 256K com base em uma página de biblioteca, você vai descobrir no momento da requisição. A leitura honesta é 65.536 tokens como o teto documentado, com a ressalva de que as próprias notas de versão da Cloudflare nunca conciliam o padrão de 16.384 tokens da ficha com isso — um padrão, não um limite, mas um que moldará silenciosamente quanto estado você envia se usar o carregador incluído como está.

Onde você pode ligar, e onde não pode

Clef-Flash ainda não é uma das rotas do OrcaRouter. Nosso catálogo retorna um 404 para ele, e nada nesta publicação deve ser interpretado como uma alegação de disponibilidade da nossa parte — se você quiser usá-lo hoje, a Cloudflare o hospeda no Workers AI a US$ 0,09 por milhão de tokens de entrada, e os pesos Apache-2.0 são seus para executar localmente.

O que isso significa para a decisão sobre a qual este artigo realmente trata é que um modelo de pontuação que você só consegue acessar pela plataforma de um único fornecedor é um modelo de pontuação cuja latência e disponibilidade você herda junto com sua precisão. A alternativa hospedada com uma rota é o Jev 1.13 da TypeSafe, que está no OrcaRouter a US$ 0,042 por milhão de tokens de entrada com um contexto de 65.536 tokens, e que é o modelo que a Cloudflare escolheu como contraparte de benchmark — deliberadamente, porque os dois são compatíveis com API. O Clef-Flash fala o mesmo /v1/systemone formato de requisição, então os dois são intercambiáveis por trás de um adaptador fino. Ter ambos acessíveis por uma única chave, com preço de tabela do provedor repassado sem acréscimo, é o motivo para manter essa comparação ativa em vez de comprometer a arquitetura com o modelo que por acaso foi lançado primeiro.

O que mudaria essa leitura?

Três coisas, em ordem de quanto elas mudariam o panorama.

Alguém de fora da Cloudflare precisa reproduzir as células CLINC150+OOS e de eletrodomésticos, porque elas apontam em direções opostas e a ficha não fornece mecanismo para nenhuma das duas. 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; sugere um modelo que é muito bom nos formatos de classificação em sua distribuição de treinamento e muito mais fraco em recusar-se a classificar quando a resposta certa é "nenhuma destas". Se isso se confirmar em testes independentes, é o fato operacional mais importante sobre o clef-flash e não está na seção de destaques.

A discrepância de listagem entre 64K e 256K precisa de uma fonte para ser corrigida, porque no momento ela está se propagando de um espelho para os lugares que as pessoas realmente leem. A documentação do fornecedor normalmente não é a coisa que você precisa citar para vencer uma discussão contra o card de um runtime, e este é um caso pequeno em que ela é.

E a categoria precisa sobreviver ao contato com cargas de trabalho reais. A própria formulação da Cloudflare é que modelos de decisão ficam no caminho crítico dos agentes — dois segundos para buscar, renderizar e classificar um site, contra 4,7 segundos para o LLM geral mais rápido deles na mesma tarefa, no exemplo de Threat Intelligence deles. Essa é uma afirmação real e específica sobre um fluxo de trabalho real e específico, e é o tipo de afirmação que se resolve por quem a coloca em prática, não por uma tabela.