Clef-Flash: Cloudflares 9B-beslutsmodell, och vad Cloudflare i namnet faktiskt betyder

Cloudflare/clef-flash är en modell med 9 miljarder parametrar som besvarar frågor med sannolikheter i stället för meningar. Du ger den ett tillstånd – text, JSON, en bild, en videobildruta – plus ett schema med upp till 64 namngivna frågor, och den returnerar en poäng per tillåtet alternativ i en enda framåtpassning. Det finns ingen genererad text att tolka och inget resonemangsspår att läsa, eftersom det inte finns någon väg för textutmatning alls. Det är den mindre halvan av ett par: Cloudflare/clef är syskonmodellen med 27 miljarder parametrar som släpptes tillsammans med den, och en tredje familjemedlem, Cloudflare/clef-omni, lägger till ljudinmatning på en 30B mixture-of-experts-stomme. Alla tre kommer från Cloudflare själva, vilket är det faktum som är mest värt att få exakt rätt, eftersom en läsare som kommer från en sökning efter den här modellens namn vanligtvis kommer med ett av två antaganden – att Cloudflare/clef-flash är en Cloudflare-hostad kopia av någon annans modell, eller att Cloudflare bara är värden – och båda har fel i samma riktning.

Vad Clef-Flash är, och vad det inte är

Leverantörens egen enradsbeskrivning, som upprepas både på Hugging Face-modellkortet och på Workers AI-modellsidan, är att den "omvandlar ett tillstånd och ett schema av typade frågor till beslut". Det är ett snävare påstående än det låter, och det är värt att reda ut innan någon benchmark.

Varje fråga i ditt schema deklarerar en av tre typer:

• noul — en ja/nej-bedömning som returnerar sannolikheten för att svaret är sant, med valfria beskrivningar av vad ett ja och ett nej betyder i den här frågans sammanhang.

• val – en namngiven uppsättning alternativ med 2 till 255 poster, som returnerar det vinnande alternativet, en sannolikhet per alternativ och en konfidens.

• poäng — en ordnad skala med 2 till 10 nivåer, som returnerar en sannolikhetsviktad nivå som kan hamna mellan nivåer, en teckenförklaring som mappar index till beskrivning, sannolikheter per nivå och en konfidens.

En förfrågan innehåller 1 till 64 frågor, och svaren kommer tillbaka i ett answers-objekt med dina fråge-id:n som nycklar. Varje alternativ i varje fråga poängsätts i samma omgång, så kostnaden för ett schema med tolv frågor är inte tolv anrop – den är ett. Det du får på andra sidan är en fördelning, inte en mening, och din kod sätter tröskelvärdet för den.

Två saker följer av detta som en läsare som jämför det med en chattmodell bör ta till sig. För det första finns det inget felscenario där modellen skriver en förklaring som du sedan måste tolka, eftersom prosa inte går att nå. För det andra, och mindre bekvämt: om det rätta svaret inte finns bland dina alternativ har Clef-Flash ingen mekanism för att säga det till dig. Den poängsätter alternativen du skrev. Ingenting i det publicerade förfrågningsschemat lägger till en ”ingen av dessa”-kategori om du inte själv lägger dit en.

Cloudflare i namnet: tre roller, ett företag

Folk söker efter den här modellen med Cloudflare kopplat till sig — cloudflare/clef-flash, och cloudflare clef flash med vanliga ord. Prefixet är värt att förtydliga, eftersom det pekar på tre separata lager och bara ett av dem är hosting.

• Organisationen som tränade den. Clef-Flash är en Cloudflare-modell. Cloudflares tillkännagivandeinlägg, "Vi presenterar Clef: våra beslutsmodeller med öppen källkod och ny plattform för RL-finjustering", publicerat 1 oktober 2026 och med Michelle Chen, Alex Reneau och Kevin Flansburg som författare, beskriver den som en utgåva tränad av Cloudflare och säger att modellerna "eftertränades" internt från en uppströms bas med öppna vikter. Det här är inte en checkpoint från tredje part som Cloudflare har plockat upp.

• Hugging Face-namnrymden. Vikterna finns på huggingface.co/Cloudflare/clef-flash. Det är därför strängen cloudflare/clef-flash cirkulerar: den är en reposökväg, i samma form som alla andra org-ägda repon. Det är den vanligaste anledningen till att de två orden förekommer tillsammans, och det är inte ett påstående om hosting.

• Inferensvärden, som också är Cloudflare. Det serverade modell-ID:t är @cf/cloudflare/clef-flash, som körs via Workers AI på api.cloudflare.com/client/v4/accounts/<account_id>/ai/run/@cf/cloudflare/clef-flash. Så hostingupplägget som ska beskrivas är inte "en Cloudflare-hostad modell" i neutral bemärkelse av en marknadsplatsannons. Det är leverantören som serverar sina egna vikter på sin egen plattform.

Den praktiska konsekvensen är denna: modellen, licensbeviljandet, API-slutpunkten och fakturan löper alla samman till ett enda företag, och en läsare som antog att det fanns ett oberoende hostinglager mellan dem har ingen andra leverantör att falla tillbaka på för denna checkpoint. Apache-2.0-vikterna är den enda utvägen från det, och de är verkliga – mer om det nedan. Vad som inte är sant, såvitt någon leverantörssida vi kan hitta anger, är att Clef-Flash erbjuds via någon annan inferensleverantör. Cloudflares eget material nämner ingen tredjepartsplattform, och vi hittade ingen som erbjuder den.

Storlek, arkitektur och licens

Siffrorna, från själva modellarkivet och från Cloudflares dokumentation, lyder båda i dag:

• Parametrar — 9 409 813 744 i BF16, så "9B" är en avrundning nedåt, inte en överdrift. Visionstornet räknas in i den summan.

• Stommen — Qwen3.5-9B, fryst under efterträningen, inklusive dess visionsencoder, lagrad som standard-shardade safetensors. Fyra shards, ungefär 18,8 GB vikter totalt.

• Den tränade delen — ett "joint schema head", ett litet transformerhuvud på 243,5 MB som läser backbone-modellens slutliga dolda tillstånd, dirigerar bevis från tillståndet till varje fråga och poängsätter varje svarsalternativ för varje fråga gemensamt. En logit per tillåtet alternativ; softmax per fråga ger dig fördelningen.

• Träningsmetod, så som Cloudflare beskriver den — routinghuvudet optimerat tillsammans med lågrankade adaptrar av rang 256 ovanpå en fryst basmodell, med etikettutjämnad korsentropi för schemagiltighet kombinerad med en Brier-förlust inriktad på sannolikhetskalibrering, plus ett sekundärt mål som Cloudflare kallar Reinforcement Learning for Calibrated Decisions.

• Licens — Apache-2.0, "som följer basmodellen", med modellkortets egna ord. Kommersiell användning begränsas inte av licensen, och vikterna ligger inte bakom någon spärr: förvaret kan laddas ner utan åtkomstbegäran.

Formen på saken – allt som tränats sitter i ett 243 MB stort huvud som skruvats fast på en fryst backbone på 18,8 GB – är anledningen till att ta arkitekturbeskrivningen på allvar i stället för att avfärda den som marknadsföring. Modellen kan inte ha lärt sig ny världskunskap, eftersom de kunskapsbärande vikterna aldrig rörde sig. Det den lärde sig är hur bevis vägleds till ett beslut. Det är en verklig förmåga, och en begränsad sådan, och den förklarar benchmark-mönstret längre ned på den här sidan bättre än något påstående om träffsäkerhet gör.

Kontextfönstret och utdatataket

Det här är siffran som har ändrats, och om du dimensionerar en prompt i dag bör du läsa det aktuella numret i stället för något nummer som cirkulerat sedan lanseringen.

Cloudflares Workers AI-modellsida för @cf/cloudflare/clef-flash, läst den 12 oktober 2026, anger ett kontextfönster på 24 576 token. Inlägget med tillkännagivandet den 1 oktober säger något annat – "vår modell har ett kontextfönster på 64k (jämfört med Jevs 32k)" – och Hugging Face-kortets egen encode_record-hjälpfunktion har standardvärdet max_length=16,384. Som jämförelse anger Workers AI-sidan för 27B clef 65 536 token och sidan för clef-omni anger 64 000.

Den ärliga tolkningen: den nuvarande leverantörsdokumentationen för just den här modellen anger 24,576, och lanseringsinlägget sa 64k. Det är leverantörens egna två källor som inte stämmer överens med varandra, och bara en av dem är sidan en utvecklare integrerar mot. Om du byggde en prompt utifrån en budget på 64K med stöd av tillkännagivandet, är det dokumenterade taket nu ungefär en tredjedel av det. Kontrollera innan du skickar.

Mediaindata faktureras och räknas mot samma budget, vilket är den detalj som biter hårdast. Bilder tokeniseras per 32×32-pixelruta, med tre markeringstoken, och varje bild begränsas till 1 024 token; en bild över ungefär en megapixel skalas ned, en under ungefär 65 000 pixlar skalas upp. Om medietoken plus dina frågetoken överstiger fönstret misslyckas begäran helt. Om de inte gör det, kommer textens tillstånd att trunkeras för att passa resten — tyst, från slutet, utan att något fel uppstår. Ett schema som passar en dag kommer tyst att förlora en del av sitt tillstånd en dokumenttung dag.

Maximalt utdata publiceras inte. Cloudflares modellsida anger endast att "Clef-modeller inte tar betalt för utdatatokens", och svarschemat innehåller ett usage.output_tokens fält utan något dokumenterat tak. Det är inte ett utelämnande att överskyla med en gissning: en icke-autoregressiv scorer har ingen avkodningsbudget i den mening en autoregressiv modell har, och leverantören dokumenterar ingen gräns, så det finns ingen gräns att uppge. Om du behöver en är det antalet alternativ och antalet frågor du bör resonera om, inte utdatatokens.

Modaliteter in, och exakt vad som kommer tillbaka

Leverantörens beskrivningar och förfrågningsschemat överensstämmer på indatasidan och skiljer sig något åt på en punkt, så här är uppdelningen.

• Indata, enligt modellkortet — text, JSON eller strukturerad data av valfri form, bilder och arrayer av videorutor. Poster med enbart text och multimodala poster kan blandas i en och samma batch, och mediaparametrar skickas vidare till processorn via ett valfritt fält media_kwargs.

• Indata, enligt Workers AI:s begärandeschema – den dokumenterade parameterlistan exponerar en images-array och ingen videoparameter, med max 4 bilder, 4 MiB och 16 megapixlar per bild, 8 MiB totalt dekodat samt en gräns på 13 MiB för hela begärandekroppen. Endast inbäddade byte: fjärr-URL:er accepteras inte.

• Utdata — sannolikheter över de alternativ du definierade, i answers-objektet, i en av tre former beroende på frågetypen. Ingen fritext, ingen markdown, inga verktygsanrop.

Läs den skillnaden som en åtskillnad mellan hostingytor snarare än en motsägelse. Checkpointen dokumenterar videoramar; Workers AI-slutpunkten du anropar över HTTP dokumenterar bilder. Om video ingår i din plan är vägen att kontrollera den självhostade.

Vad Cloudflare hävdar, och vad som faktiskt har uppmätts

Varje siffra i det här avsnittet kommer från Cloudflare, och Cloudflare körde allt. Det är den enskilt viktigaste meningen på den här sidan, så det är värt att vara specifik om maskineriet.

Benchmark-sviten är Decision Index 0.2.1. Modellkortet beskriver resultaten som ”vår interna körning”, och den offentliga resultattavlan som den länkar till ligger på en adress som drivs av Cloudflare. Jämförelsemodellen genomgående är TypeSafe's Jev, och siffrorna för end-to-end-affärsarbetsflöden kommer från Typesafe Evals. Så jämförelsen är en leverantör som mäter sin egen modell, på ett index uppkallat efter konkurrenten som den mäts mot, och själv publicerar resultatet. Det finns ingen oberoende utvärdering av Clef-Flash. Vid en kontroll i dag: Artificial Analysis har ingen modellsida för den, och LMArena-textleaderboarden listar inte någon enda Cloudflare-märkt modell. När en leverantör inte publicerar någon tredjepartspoäng är själva påpekandet fyndet.

Med den etiketten fäst är de beslutsformade resultaten genuint starka: BFCL fall-exakt 98,8, API-Bank-noggrannhet 93,1, ContractNLI macro-F1 84,3, RouterBench 79,9, FinEntity 97,1 och en hushållsapparatsimulator med fall-exakt 97,7 – den sista av dessa ligger fjorton poäng över den större 27B Clef på samma rad. Även raderna för allmän kunskap håller: MMLU 91,8, ARC-Easy 99,5, ARC-Challenge 98,3, WinoGrande 97,5, HellaSwag 98,6, CLadder 97,7 och en ForecastBench-Brier på 10,6, vilket är bäst i sin kolumn och den typ av kalibreringstal som en sannolikhetsproducerande modell bör bedömas utifrån.

Förlusterna hör hemma i samma stycke, och de har en form. På CLINC150 med hantering av out-of-scope får Clef-Flash 66,8 i macro-F1 mot 27B Clefs 97,4 och Jevs 89,3. På ANLI får den 59,1 mot Jevs 74,8. When2Call 65,6 mot 81,0. GPQA Diamond 51,0 mot 78,3. RAGTruth 35,6 mot 76,5. Och på POP909-CL, ett benchmark för ackordmärkning, returnerar den 1,6.

Ett 66,8 på avsiktsdetektering utanför omfånget intill ett 97,7 på apparatstyrning är inte en jämn förmågekurva. Det är profilen hos en poängsättare som är mycket bra på de klassificeringsformer den har eftertränats på och mycket svagare på att avstå från att klassificera när det korrekta svaret är "ingen av dessa" — vilket, besvärande nog, är precis den bedömning ett routningslager eller en triageringspipeline behöver mest. 1,6:an för ackordmärkning är antingen en formatmissmatchning eller ett genuint misslyckande, och kortet gör ingen åtskillnad.

Workflow-resultaten från Typesafe Evals är mer blandade än rubrikraderna: fakturahantering exakta åtgärder 57,1 mot Clefs 64,7 och Jevs 61,8; kundservice exakta åtgärder 77,0, före båda; säkerhetsincidenter 61,7; agent trace-observabilitet 69,8. 27B-syskonet vinner workflow-tabellen i tre av fem rader.

Latens är där modellen gör skäl för sitt namn, och samma förbehåll gäller. Medianlatens för förfrågningar 38,8 ms och p95 122,4 ms, mätt av Cloudflare på Cloudflares infrastruktur, mot 209,3 / 238,6 för 27B Clef. Absoluta millisekunder från en leverantörs egen hårdvara utgör varken en övre eller en undre gräns för någonting; det är ordningen som är påståendet, och ordningen – ungefär fem gånger snabbare än sitt eget större syskon – är arkitekturen som gör vad den säger.

Hur en läsare faktiskt kallar det

Det finns två vägar, och de är genuint olika åtaganden.

Den värdbaserade rutten. Anropa den på Workers AI som @cf/cloudflare/clef-flash, inifrån en Worker via bindningen env.AI.run(), eller över REST på Cloudflare API-slutpunkten med en bearer-token. Obligatoriska fält är model, state och questions; väljaren model måste matcha mönstret ^\s*(clef|clef-flash)\s*$, vilket är hur varianterna 27B och 9B skiljs åt på samma slutpunkt. Priset på modellsidan för Workers AI och prissättningssidan för Workers AI är $0.038 per miljon indatatokens, där media tokeniseras till indatatokens till samma taxa och ingen avgift tas ut för utdatatokens.

Den självhostade vägen. Vikterna är Apache-2.0 och inte gated, så du kan köra dem själv. Kortet dokumenterar en referensväg med torch 2.11 och transformers 5.10.2 på en enda H200, med pillow för bild- och videoindata, och hänvisar till en SGLang-kokbok för startkommandon på H200, B200 och B300. När den serveras på det sättet svarar modellen på /v1/systemone.

Den vägen är inte tillfällig, för den är anledningen till att den här modellen är värd att förstå snarare än att bara använda. Clef-Flash är "helt kompatibel med Jev och SystemOne", som det står på kortet: den tar emot en Jev/SystemOne-förfrågningskropp och returnerar samma svarskropp — modell, svar med fråge-id som nyckel, användning. Kompatibiliteten var så pass avsiktlig att en senare commit till repot lägger till systemone-ingångspunkten uttryckligen. Om din pipeline redan ställer frågor till en beslutsmodell i den formen, är ett byte till den här bara en modellsträng och en URL, inte en migrering. Det är en verklig minskning av växlingskostnaden, och det är det enda arkitektoniska faktumet här som ändrar vad en läsare kan göra.

En routinganteckning, angiven som ett faktum snarare än ett säljargument: OrcaRouter serverar inte Cloudflare/clef-flash. Vi kontrollerade vår livekatalog i dag och den finns inte där, och inget på den här sidan bör läsas som ett påstående att den gör det. Vad vår katalog däremot innehåller är modellen som Clef-Flash byggdes för att vara en drop-in-ersättning för — TypeSafe:s Jev 1.13 finns i vår katalog till 0,042 USD per miljon indata-token i dess pristabell (sidans snabbfakta-bricka avrundar det till 0,04 USD), med en 65K-token-kontext och samma POST /v1/systemone endpoint-typ. Eftersom de två talar ett och samma wire-format är bytet mellan dem en konfigurationsändring snarare än en omskrivning, vilket är precis anledningen till att hålla båda nåbara från en och samma nyckel i stället för att låsa en arkitektur till vilken modell som helst som släpptes först. OrcaRouter körs på leverantörens listpris som förs vidare utan påslag, så en prisändring hos endera leverantören är live hos oss samma dag.

Vad är fortfarande öppet?

Tre saker, i den ordning de skulle förändra bilden.

Någon utanför Cloudflare behöver reproducera CLINC150-cellerna för out-of-scope och hushållsapparater tillsammans, eftersom de pekar i motsatta riktningar och den publicerade körningen inte ger någon mekanism för någon av dem. Om 66,8 håller vid oberoende testning är det det mest driftmässigt viktiga faktumet om Clef-Flash, och det finns inte med i tillkännagivandets lista över styrkor.

Kontextfönstret behöver ett enda sammanjämkat nummer från leverantören. Just nu säger modellens egen dokumentationssida 24 576 tokens, lanseringsinlägget säger 64k och den medföljande kodningshjälparen har 16 384 som standard. Den som dimensionerar en produktionsprompt tvingas välja vilket av tre leverantörsbesked den ska tro på.

Och kategorin behöver kontakt med verkliga arbetsbelastningar vid produktionsvolymer. Cloudflares inramning är att beslutsmodeller ligger i den heta vägen – ett exempel på domänklassificering i deras inlägg har Clef som returnerar ett utlåtande på 2,2 sekunder mot 4,7 sekunder för en generell modell på samma uppgift. Det är ett specifikt och testbart påstående om ett specifikt arbetsflöde, och det kommer att avgöras av människor som kör det, inte av en tabell.