Clef-Flash är en 9B-modell som aldrig skriver en token – och Cloudflares blogg kom nästan en dag efter vikterna

Cloudflare/clef-flash är en multimodell med 9 miljarder parametrar som tar ett tillstånd och ett schema av typade frågor och returnerar en sannolikhet för varje tillåtet svar. Den genererar inte text. Inte "den genererar text dåligt" – den har ingen textutdataväg alls. Repot för den dök upp på Hugging Face kl. 21:15 UTC den 30 september 2026 under Apache-2.0; Cloudflares tillkännagivandeinlägg som introducerade den, tillsammans med den större 27B Cloudflare/clef, publicerades kl. 15:34 UTC följande dag. I ungefär arton timmar fanns de öppna vikterna och den hostade Workers AI-slutpunkten offentligt innan leverantören sade ett ord om dem, och den ordningen är det mest intressanta faktumet i släppet – mer intressant, för alla som överväger att koppla in detta i en pipeline, än någon enskild benchmarkrad.

En andra, mindre hake dök upp två dagar senare. En tredjeparts-runtimes bibliotekssida för clef-flash, vilket är där den här artikelns radar först fick syn på modellen, listar den med ett "256K kontextfönster" i sin modelltabell, samtidigt som den återger Cloudflares egen readme-text – "64K kontextfönster: Dubbelt så mycket tillstånd som Jevs 32K-fönster rymmer" – några rader ovanför. De två siffrorna kan inte båda vara korrekta, och leverantörens dokumentation avgör saken till förmån för den mindre. Den typen av avvikelse är värd att flagga inledningsvis, eftersom allt annat i den här artikeln hänger på samma fråga: vilka siffror som är leverantörens, vilka som är en spegels, och vilka som har kontrollerats av någon som inte är leverantören.

Vad som faktiskt levererades, och i vilken ordning

Posten, i följd:

• 30 september 2026, 21:15:35 UTC — Cloudflare/clef, 27B-modellen, skapas på Hugging Face.

30 september 2026, 15:15:36 UTC — Cloudflare/clef-flash skapas, en sekund senare. Båda är finjusteringar av Qwen-baser: Clef från Qwen3.8-27B, Clef-Flash från Qwen3.5-9B.

• 1 oktober 2026, 15:23 UTC — clef-flashs arkiv ändrades senast, vilket är ungefär när den modellkortstext vi citerar skrevs.

• 1 oktober 2026, 15:34 UTC — "Introducerar Clef: våra öppna beslutsmodeller och ny plattform för RL-finjustering" publiceras på Cloudflare-bloggen, där båda modellerna hostas på Workers AI och en finjusteringstjänst kring dem lanseras.

• 2–3 oktober 2026 — tredjepartskörtider plockar upp vikterna; en bibliotekssida för en tredjepartskörtid och kvantiserade community-byggen dyker upp.

Så det här är inte en läcka, inte ett tyst släpp och inte en oannonserad checkpoint som en läsare måste behandla som ett rykte. Det är ett GA-släpp med ett blogginlägg, ett hostat API på Cloudflares egna edge-GPU:er, en Apache-2.0-licens på vikterna och en kommersiell plattform för finjustering knuten till det. Det enda verkligt underliga är de arton timmars försprång som repositoriet hade gentemot tillkännagivandet – tillräckligt länge för att modellen skulle vara offentlig medan leverantörens egen marknadsföringssida fortfarande inte fanns, kort nog att ingen utanför Cloudflare hade kört den på ett meningsfullt sätt.

En beslutsmodell är inte en liten språkmodell.

Inramningen i Cloudflares inlägg är att beslutsmodeller är en egen kategori, och arkitekturen underbygger påståendet i stället för att bara dekorera det. Clef-Flash håller Qwen3.5-9B-stomnätet, inklusive dess visionskodare, fryst. Ovanpå det sitter ett litet transformerhuvud – 243,5 MB vikter i utgåvan, mot ungefär fyra shardade stamnätsfiler som uppgår till 18,8 GB – som dirigerar bevis från tillståndet till varje fråga och poängsätter varje alternativ i varje fråga i en enda genomkörning. Cloudflare kallar detta för "icke-autoregressivt": det finns ingen token-för-token-generering, ingen mellanliggande resonemangstext, ingen utdataparsning. Du får en logit per tillåtet alternativ, softmaxar den per fråga och har en fördelning.

Begärans form följer av detta. Du anger ett state — en sträng, eller ett JSON-objekt eller en array — en valfri lista med bilder eller videoramar, och en till sextiofyra namngivna frågor. Varje fråga deklarerar fältet type: noul för en bedömning av sant/falskt som returnerar sannolikheten för sant, choice för en namngiven uppsättning alternativ som returnerar det valda alternativet plus sannolikheter per alternativ och en konfidens, eller score för en ordnad skala som returnerar en sannolikhetsviktad nivå. Kriterier är valfria för noul och i stort sett obligatoriska för de andra, och dokumentationen är ovanligt rakt på sak om en fälla: konfidens ”visar hur koncentrerade sannolikheterna är. Det är inte chansen att svaret är rätt.” En modell som svarar med hög konfidens svarar inte nödvändigtvis korrekt, och ett kalibreringsmått är det enda som skiljer de två åt.

Den skillnaden är hela anledningen till att vara intresserad. Om du någonsin har bett en generell modell att klassificera ett supportärende och sedan försökt parsa svaret, har du redan betalat kostnaden som den här designen tar bort. Clef-Flash kan inte producera meningen "Det här verkar vara ett faktureringsproblem, förmodligen?" eftersom den inte kan producera en mening. Den returnerar {"choice": "billing", "probabilities": {"billing": 0.981, ...}, "confidence": 0.924} — exemplet kommer direkt från Cloudflares egen dokumentation — och din kod sätter ett tröskelvärde på det.

Siffrorna, och vem som körde dem

Varje siffra nedan kommer antingen från Cloudflares modellkort eller från blogginlägget, och Cloudflare körde alla. Sviten är Jev Decision Index – en resultattavla som publiceras av TypeSafe, leverantören av Jev, modellen som Clef-Flash jämförs mot – så jämförelsen är en leverantörs egen produkt mätt på en rivals index, körd av leverantören. Det finns ännu ingen oberoende utvärdering av Clef-Flash, och den här artikeln låtsas inte något annat.

På de beslutspecifika benchmarkarna har Clef-Flash en genuin styrka på ett sätt som är värt att skilja från marknadsföringen: BFCL case-exact 98,8, API-Bank 93,1, simulering av hushållsapparater 97,7, ContractNLI macro-F1 84,3, RouterBench 79,9. Clef-Flash slår den större 27B Clef på BFCL (98,8 mot 98,5), API-Bank (93,1 mot 91,9) och hushållsapparatssviten (97,7 mot 83,0) – den sistnämnda med fjorton punkter, vilket är den enskilt mest överraskande cellen i tabellen och den som ingen utanför Cloudflare har granskat.

Förlusterna är precis lika verkliga och hör hemma i samma stycke. På CLINC150 med out-of-scope-hantering får clef-flash 66,8 i macro-F1 mot 27B:s 97,4 och Jevs 89,3 — ett stup på trettio punkter vid avsiktsdetektering med en "other"-bucket, vilket är precis den form av förfrågan som ett routinglager oftast ser. På ANLI får den 59,1 mot Jevs 74,8; på When2Call 65,6 mot Jevs 81,0; på GPQA Diamond 51,0 mot Jevs 78,3. Och på POP909-CL, ett benchmark för ackordmärkning, får den 1,6 — en siffra som antingen är en dataformat-mismatch eller ett verkligt misslyckande, och kortet säger inte vilket.

Latens-tabellen är där modellen gör skäl för sitt namn. Medianlatens för förfrågningar: 38,8 ms, p95: 122,4 ms, jämfört med 27B Clef på 209,3 / 238,6 och Jev på 524,1 / 536,0. Cloudflare mätte på sin egen infrastruktur, så betrakta de absoluta millisekunderna som en övre gräns för vad du skulle se någon annanstans, men ordningen – flash-varianten är ungefär fem och en halv gånger snabbare än sitt eget större syskon och tretton gånger snabbare än Jev i median – visar att designen fungerar som utlovat.

Den enda siffran som annonserna är oense om

Kontextfönstret är siffran som kommer att bita oss, eftersom det är den som blev kopierad. Cloudflares Workers AI-dokumentation för @cf/cloudflare/clef-flat anger ett kontextfönster på 65 token. Blogginlägget säger "vår modell har ett kontextfönster på 64k (jämfört med Jevs 32k)". Modellkortets egen kodningshjälp har som standard max_length=16,384 token. Samtidigt annonserar bibliotekslistan för en tredjeparts-runtime 256K i sin tabell.

Tre leverantörskällor är överens om ungefär 64K och en tredjepartslistning uppger fyra gånger så mycket. Om du dimensionerar en prompt mot en 256K-budget med stöd av en bibliotekssida, kommer du att få veta det vid förfrågningstillfället. Den ärliga tolkningen är 65 536 tokens som det dokumenterade taket, med förbehållet att Cloudflares egna versionsanteckningar aldrig förenar kortets standardvärde på 16 384 tokens med det — ett standardvärde, inte en gräns, men ett som i tysthet kommer att forma hur mycket tillstånd du skickar om du använder den medföljande loadern som den är.

Var du kan ringa det, och var du inte kan

Clef-Flash är ännu inte en av rutterna på OrcaRouter. Vår katalog returnerar en 404 för den, och inget i den här artikeln bör läsas som ett tillgänglighetslöfte från oss — om du vill ha den i dag finns den hos Cloudflare på Workers AI för $0,09 per miljon indatatoken, och Apache-2.0-vikterna är dina att köra lokalt.

Vad det innebär för det beslut som den här artikeln egentligen handlar om är att en scorer som du bara kan nå via en leverantörs plattform är en scorer vars latens och tillgänglighet du ärver tillsammans med dess noggrannhet. Det hostade alternativet med en rutt är TypeSafe:s Jev 1.13, som finns på OrcaRouter för $0,042 per miljon input-tokens med ett kontextfönster på 65 536 tokens, och som är den modell Cloudflare valde som sin benchmark-motpart – medvetet, eftersom de två är API-kompatibla. Clef-Flash använder samma /v1/systemone förfrågningsformat, så de två är utbytbara bakom en tunn adapter. Att båda är nåbara via en enda nyckel, med leverantörens listpris vidarebefordrat utan påslag, är anledningen till att hålla den jämförelsen levande i stället för att binda arkitekturen till vilken modell som råkade släppas först.

Vad skulle ändra den här avläsningen?

Tre saker, i ordning efter hur mycket de skulle förändra bilden.

Någon utanför Cloudflare behöver reproducera CLINC150+OOS-cellerna och cellerna för hushållsapparater, eftersom de pekar i motsatta riktningar och kortet inte anger någon mekanism för någon av dem. En 66,8 på intentdetektering utanför omfånget bredvid en 97,7 på styrning av hushållsapparater är inte en jämn förmågekurva; det antyder en modell som är mycket bra på klassificeringsformerna i sin träningsdistribution och mycket svagare på att vägra klassificera när rätt svar är "ingen av dessa". Om det håller vid oberoende testning är det det viktigaste operativa faktumet om clef-flash, och det finns inte med i avsnittet med höjdpunkter.

Diskrepansen i listningen mellan 64K och 256K behöver en källa för att kunna korrigeras, eftersom den för närvarande sprids utåt från en spegel till de platser där människor faktiskt läser. Leverantörsdokumentation är vanligtvis inte det man behöver citera för att vinna ett argument mot en runtimes kort, och detta är ett litet fall där det är just det.

Och kategorin måste överleva kontakten med verkliga arbetsbelastningar. Cloudflares egen formulering är att beslutsmodeller ligger i den heta vägen för agenter – två sekunder för att hämta, rendera och klassificera en webbplats jämfört med 4,7 sekunder för deras snabbaste generella LLM på samma uppgift, i deras Threat Intelligence-exempel. Det är ett verkligt och specifikt påstående om ett verkligt och specifikt arbetsflöde, och det är den typen av påstående som avgörs av människor som kör det, inte av en tabell.