Модель Clef-Flash на 9B параметров никогда не пишет ни одного токена — а блог Cloudflare вышел почти через сутки после публикации весов

Cloudflare/clef-flash — это мультимодальная модель на 9 миллиардов параметров, которая принимает состояние и схему типизированных вопросов и возвращает вероятность для каждого допустимого ответа. Она не генерирует текст. Не «она плохо генерирует текст» — у неё вообще нет пути вывода текста. Репозиторий с ней появился на Hugging Face в 21:15 UTC 30 сентября 2026 года под лицензией Apache-2.0; анонсирующий её пост Cloudflare, вместе с более крупной 27B Cloudflare/clef, был опубликован в 15:34 UTC на следующий день. Примерно восемнадцать часов открытые веса и размещённая конечная точка Workers AI существовали публично, прежде чем вендор сказал о них хоть слово, и эта последовательность — самый интересный факт в релизе — более интересный для любого, кто решает, стоит ли подключать это к конвейеру, чем любая отдельная строка из бенчмарка.

Вторая, менее значительная неувязка появилась два дня спустя. Страница библиотеки стороннего рантайма для clef-flash — именно там радар этой статьи впервые увидел модель — указывает её с «окном контекста 256K» в своей таблице моделей, тогда как несколькими строками выше отображается собственный текст readme Cloudflare — «окно контекста 64K: вдвое больше состояния, которое вмещает 32K-окно Jev». Оба числа не могут быть верными, и документация вендора решает вопрос в пользу меньшего. Такое расхождение стоит отметить сразу, потому что всё остальное в этом материале вытекает из того же вопроса: какие числа принадлежат вендору, какие — зеркалу, а какие проверял кто-либо, кроме вендора.

Что на самом деле вышло, и в каком порядке

Запись, по порядку:

30 сентября 2026 г., 21:15:35 UTC — Cloudflare/clef, модель 27B, создана на Hugging Face.

• 30 сентября 2026 г., 21:15:36 UTC — Cloudflare/clef-flashсоздаётся секундой позже. Оба — дообученные версии базовых моделей Qwen: Clef — на основе Qwen3.8-27B, Clef-Flash — на основе Qwen3.5-9B.

• 1 октября 2026 г., 15:23 UTC — репозиторий clef-flash был изменён в последний раз, что примерно совпадает со временем написания текста карточки модели, который мы цитируем.

• 1 октября 2026 г., 15:34 UTC — «Представляем Clef: наши открытые модели принятия решений и новая платформа тонкой настройки с RL» появляется в блоге Cloudflare, где обе модели размещаются на Workers AI и запускается сервис тонкой настройки вокруг них.

• 2–3 октября 2026 г. — сторонние среды выполнения подхватывают веса; появляются страница библиотеки сторонней среды выполнения и квантованные сборки сообщества.

Так что это не утечка, не тихий выпуск и не необъявленный чекпойнт, который читателю приходится воспринимать как слух. Это GA-релиз с постом в блоге, хостируемым API на собственных периферийных GPU Cloudflare, лицензией Apache-2.0 на веса и прилагаемой коммерческой платформой для тонкой настройки. Единственное действительно странное — это восемнадцатичасовая фора, которая была у репозитория перед анонсом: достаточно долго, чтобы модель стала публичной, пока собственная маркетинговая страница вендора ещё не существовала, но недостаточно долго, чтобы кто-либо за пределами Cloudflare успел её по-настоящему запустить.

Модель принятия решений — это не малая языковая модель

В публикации Cloudflare проводится мысль, что модели принятия решений — это отдельная категория, и архитектура подтверждает это утверждение, а не просто служит украшением. Clef-Flash оставляет backbone Qwen3.5-9B, включая его визуальный энкодер, замороженным. Поверх него находится небольшая трансформерная голова — 243,5 МБ весов в релизе против примерно четырёх шардированных файлов backbone общим объёмом 18,8 ГБ — которая направляет свидетельства из состояния к каждому вопросу и оценивает каждый вариант каждого вопроса за один проход. Cloudflare называет это «неавторегрессивным»: здесь нет генерации токен за токеном, нет промежуточного текста рассуждений, нет парсинга вывода. Вы получаете логит для каждого допустимого варианта, применяете softmax по вопросу — и у вас есть распределение.

Из этого следует форма запроса. Вы передаёте state — строку либо объект или массив JSON — необязательный список изображений или видеокадров и от одного до шестидесяти четырёх именованных вопросов. Каждый вопрос объявляет type: noul — для суждения истина/ложь, возвращающего вероятность истины, choice — для набора именованных вариантов, возвращающего выбранный вариант плюс вероятности по каждому варианту и уверенность, или score — для упорядоченной шкалы, возвращающей уровень, взвешенный по вероятностям. Критерии необязательны для noul и почти обязательны для остальных, и документация на удивление прямолинейно предупреждает об одной ловушке: уверенность «показывает, насколько сконцентрированы вероятности. Это не вероятность того, что ответ верен». Модель, которая отвечает уверенно, не обязательно отвечает правильно, и только мера калибровки разделяет эти две вещи.

Это различие — и есть вся причина, по которой этим стоит интересоваться. Если вы когда-нибудь просили модель общего назначения классифицировать обращение в поддержку, а затем пытались разобрать её ответ, вы уже заплатили ту цену, которую устраняет этот дизайн. Clef-Flash не может выдать предложение «Похоже, это проблема с оплатой, вероятно?», потому что он не может выдать предложение. Он возвращает {"choice": "billing", "probabilities": {"billing": 0.981, ...}, "confidence": 0.924} — этот пример взят прямо из собственной документации Cloudflare — а ваш код применяет к нему порог.

Цифры и те, кто их считал

Все приведённые ниже показатели взяты либо из карточки модели Cloudflare, либо из поста в блоге, и все их провела Cloudflare. Набор тестов — это Jev Decision Index — рейтинг, публикуемый TypeSafe, поставщиком Jev, модели, с которой сравнивают Clef-Flash, — так что это сравнение собственного продукта поставщика, измеренного по индексу конкурента, которое проводит сам поставщик. Независимой оценки Clef-Flash пока нет, и эта статья не делает вид, что это не так.

На бенчмарках, ориентированных на принятие решений, Clef-Flash по-настоящему силён — и это стоит отделять от маркетинга: BFCL, точное совпадение по кейсам — 98.8, API-Bank — 93.1, симуляция бытовой техники — 97.7, ContractNLI, macro-F1 — 84.3, RouterBench — 79.9. Он обходит более крупную 27B Clef на BFCL (98.8 против 98.5), API-Bank (93.1 против 91.9) и в наборе для бытовой техники (97.7 против 83.0) — в последнем на четырнадцать пунктов, а это самая удивительная ячейка в таблице и та, которую никто за пределами Cloudflare не проверял.

Потери так же реальны и заслуживают места в том же абзаце. На CLINC150 с обработкой выхода за пределы области clef-flash набирает 66,8 macro-F1 против 97,4 у 27B и 89,3 у Jev — обрыв в тридцать пунктов на обнаружении намерений с корзиной «other», что как раз соответствует форме запроса, которую слой маршрутизации видит чаще всего. На ANLI он получает 59,1 против 74,8 у Jev; на When2Call — 65,6 против 81,0 у Jev; на GPQA Diamond — 51,0 против 78,3 у Jev. А на POP909-CL, бенчмарке по разметке аккордов, он набирает 1,6 — число, которое либо является несоответствием формата данных, либо реальным провалом, и карточка не говорит, что именно.

Таблица задержек — вот где модель оправдывает своё название. Медианная задержка запроса — 38,8 мс, p95 — 122,4 мс, против 27B Clef с 209,3 / 238,6 и Jev с 524,1 / 536,0. Cloudflare измеряла на собственной инфраструктуре, поэтому абсолютные миллисекунды стоит воспринимать как верхнюю границу того, что вы увидите в других условиях, но порядок — flash-вариант примерно в пять с половиной раз быстрее своего более крупного собрата и в тринадцать раз быстрее Jev по медиане — это конструкция, работающая ровно так, как заявлено.

Единственная цифра, по которой расходятся списки

Контекстное окно — это число, которое больно ударит по людям, потому что именно его скопировали неправильно. Документация Cloudflare Workers AI для @cf/cloudflare/clef-flash указывает контекстное окно в 65 536 токенов. В блог-посте сказано: «наша модель имеет контекстное окно 64k (по сравнению с 32k у Jev)». Собственный помощник кодирования в карточке модели по умолчанию использует max_length=16,384 токенов. Тем временем список библиотек одной сторонней среды выполнения рекламирует 256K в своей таблице.

Три источника от вендоров сходятся примерно на 64K, а одна сторонняя карточка утверждает, что это вчетверо больше. Если вы рассчитываете размер промпта относительно бюджета в 256K, опираясь на страницу библиотеки, вы узнаете об этом во время запроса. Честная трактовка такова: 65 536 токенов — это документированный потолок, с оговоркой, что собственные примечания к выпуску Cloudflare нигде не согласуют указанное в карточке значение по умолчанию в 16 384 токена с ним — значение по умолчанию, а не лимит, но такое, которое будет незаметно определять, сколько состояния вы отправляете, если использовать встроенный загрузчик как есть.

Где его можно вызвать, а где нельзя

Clef-Flash пока не является одним из маршрутов на OrcaRouter. Наш каталог возвращает для него 404, и ничто в этом материале не должно восприниматься как заявление о доступности с нашей стороны — если он нужен вам уже сегодня, Cloudflare размещает его в Workers AI по цене $0,09 за миллион входных токенов, а веса под Apache-2.0 вы можете запускать локально.

Что это означает для решения, о котором на самом деле эта статья: скоринг, до которого можно добраться только через платформу одного поставщика, — это скоринг, чью задержку и доступность вы наследуете вместе с его точностью. Хостингуемая альтернатива с маршрутом — это Jev 1.13 от TypeSafe, доступная на OrcaRouter за $0.042 за миллион входных токенов при контексте 65 536 токенов, и именно её Cloudflare выбрала в качестве эталонного аналога — намеренно, потому что обе совместимы по API. Clef-Flash использует ту же /v1/systemone форму запроса, поэтому их можно менять местами за тонким адаптером. То, что обе доступны через один ключ, при передаче прейскурантной цены провайдера без наценки, — вот причина поддерживать это сравнение актуальным, а не привязывать архитектуру к той модели, которая случайно вышла первой.

Что могло бы изменить это чтение?

Три вещи, в порядке того, насколько они могли бы изменить картину.

Кто-то за пределами Cloudflare должен воспроизвести ячейки CLINC150+OOS и home-appliance, потому что они указывают в противоположных направлениях, а карточка не даёт механизма ни для одного из них. 66,8 при определении интентов вне области действия рядом с 97,7 в управлении бытовой техникой — это не плавная кривая возможностей; это предполагает модель, которая очень хорошо справляется с классификационными паттернами в своём обучающем распределении и гораздо слабее отказывается от классификации, когда правильный ответ — «ни один из этих». Если это подтвердится при независимом тестировании, это самый важный операционный факт о clef-flash, и его нет в разделе основных моментов.

Расхождению между 64K и 256K в листинге нужен источник, чтобы его исправить, потому что сейчас оно распространяется наружу из зеркала — в те места, где люди действительно читают. Документация поставщика — обычно не то, на что приходится ссылаться, чтобы выиграть спор против карточки рантайма, и это как раз тот небольшой случай, когда это так.

И эта категория должна выдержать проверку реальными рабочими нагрузками. Сама Cloudflare формулирует это так: модели принятия решений находятся на горячем пути агентов — две секунды на то, чтобы получить, отрендерить и классифицировать веб-сайт, против 4,7 у их самой быстрой LLM на той же задаче в их примере с Threat Intelligence. Это реальное и конкретное утверждение о реальном и конкретном рабочем процессе, и это как раз тот тип утверждения, который проверяется людьми, запускающими его, а не таблицей.