Clef-Flash 是一个从不写出 Token 的 9B 模型——而 Cloudflare 的博客在权重发布近一天之后才出现

Cloudflare/clef-flash是一个拥有 90 亿参数的多模态模型，它接收一个状态（state）以及一份由带类型问题构成的 schema，并为每一个允许的答案返回一个概率。它不生成文本。不是"它生成的文本很差"——而是它根本没有文本输出路径。它的代码仓库于 2026 年 9 月 30 日 21:15 UTC 以 Apache-2.0 许可出现在 Hugging Face 上；Cloudflare 发布介绍它的公告文章时，与更大的 27B Cloudflare/clef一同，已是次日 15:34 UTC。在大约十八个小时里，开放权重和托管的 Workers AI 端点都已公开存在，而厂商却只字未提，这种先后顺序是本次发布中最有意思的事实——对于任何正在决定是否要把它接入流水线的人来说，它比任何一行基准测试成绩都更值得关注。

两天后，又出现了第二个、更小的波折。一个第三方运行时为 clef-flash 提供的库页面——本文的雷达最初就是在这里发现该模型的——在其模型表中把它列为“256K 上下文窗口”，却在上面几行显示着 Cloudflare 自己的 readme 文本：“64K 上下文窗口：两倍于 Jev 的 32K 窗口所容纳的状态”。这两个数字不可能同时正确，而厂商的文档裁定较小的那个才是对的。这种偏差值得一开始就指出来，因为本文其余内容都取决于同一个问题：哪些数字是厂商的，哪些是镜像方的，哪些是厂商以外的人核验过的。

实际发生了什么，以及按什么顺序

记录如下，按顺序：

• 2026年9月30日 21:15:35 UTC — Cloudflare/clef，即 27B 模型，已在 Hugging Face 上创建。

• 2026年9月30日 21:15:36 UTC — Cloudflare/clef-flash在一秒后创建完成。两者都是 Qwen 基座模型的微调版本：Clef 基于 Qwen3.8-27B，Clef-Flash 基于 Qwen3.5-9B。

• 2026年10月1日 15:23 UTC —— clef-flash 的仓库最后修改时间，大致也就是我们所引用的模型卡文本写成的时间。

• 2026年10月1日 15:34 UTC —《推出 Clef：我们的开源决策模型，以及全新的 RL 微调平台》一文在 Cloudflare 博客上线，将这两个模型托管于 Workers AI，并围绕它们推出微调服务。

• 2026年10月2–3日——第三方运行时接手这些权重；第三方运行时的库页面与量化社区构建版本出现。

所以这既不是泄密，也不是悄悄上线，更不是一个需要读者当作传闻来对待的未公布检查点。它是一次正式发布（GA），配有博客文章、部署在 Cloudflare 自家边缘 GPU 上的托管 API、权重采用 Apache-2.0 许可，还附带一个商业微调平台。唯一真正蹊跷的地方，是代码仓库比公告早了十八个小时——这个时间窗口长得足以让模型已经公开、而厂商自己的营销页面却还不存在，又短得不足以让 Cloudflare 之外的任何人真正跑过它。

决策模型不是小型语言模型

Cloudflare 文章中的论述框架是：决策模型是一个独立类别，而架构是为这一主张提供支撑，而非装点门面。Clef-Flash 保持 Qwen3.5-9B 主干冻结，包括其视觉编码器。在其之上是一个小型 transformer 头——发布版中权重为 243.5 MB，而大约四个分片主干文件总计达 18.8 GB——它将来自状态的证据路由到每个问题，并在单次传递中为每个问题的每个选项打分。Cloudflare 将其称为“非自回归”：没有逐 token 生成，没有中间推理文本，没有输出解析。你为每个允许的选项得到一个 logit，按问题对其做 softmax，就得到一个分布。

请求的结构由此决定。你需要提供 状态——一个字符串，或一个 JSON 对象或数组——一个可选的图像或视频帧列表，以及一到六十四个命名问题。每个问题声明一个 类型：noul 用于真/假判断，返回为真的概率，选择 用于命名选项集，返回所选选项以及每个选项的概率和置信度，或者 评分 用于有序量表，返回概率加权的级别。对于 noul，标准是可选的，对其他类型则近乎必需，并且文档异常直白地指出一个陷阱：置信度“显示概率的集中程度。它并不是答案正确的几率。”一个自信作答的模型未必回答正确，而校准度量是区分两者的唯一方法。

这一区别正是值得关注的整个理由。如果你曾经让一个通用模型对一张支持工单进行分类，然后试图解析它的回答，你就已经为这种设计所消除的代价买过单了。Clef-Flash 无法生成“这看起来像是账单问题，大概吧？”这样的句子，因为它根本无法生成句子。它返回的是 {"choice": "billing", "probabilities": {"billing": 0.981, ...}, "confidence": 0.924}——这个例子直接来自 Cloudflare 自己的文档——而你的代码只需对它做阈值判断。

这些数字，以及是谁算出来的

下文中的每一个数字都来自 Cloudflare 的模型卡或那篇博客文章，而且全部由 Cloudflare 运行。该测试套件是 Jev Decision Index——一个由 TypeSafe 发布的排行榜，而 TypeSafe 是 Jev 的供应商，Jev 正是 Clef-Flash 进行基准对比的模型——所以这一比较是拿供应商自家产品在竞争对手的指数上衡量，且由供应商自己运行。目前还没有针对 Clef-Flash 的独立评估，本文也不假装有。

在决策专项基准上，Clef-Flash 的强是实打实的，值得把它和营销宣传区分开：BFCL 案例精确匹配 98.8，API-Bank 93.1，家电模拟 97.7，ContractNLI 宏平均 F1 84.3，RouterBench 79.9。它在 BFCL（98.8 对 98.5）、API-Bank（93.1 对 91.9）和家电套件（97.7 对 83.0）上击败了更大的 27B Clef——最后一项领先十四分，这是整张表中最令人意外的单元格，也是 Cloudflare 之外无人核验过的那一个。

这些损失同样真实，理应放在同一段里。在带越界处理的 CLINC150 上，clef-flash 的 macro-F1 为 66.8，而 27B 为 97.4，Jev 为 89.3——在带有“other”桶的意图检测上出现了三十分的断崖，而这恰恰是路由层最常看到的请求形态。在 ANLI 上，它得到 59.1，而 Jev 为 74.8；在 When2Call 上为 65.6，而 Jev 为 81.0；在 GPQA Diamond 上为 51.0，而 Jev 为 78.3。而在 POP909-CL 这个和弦标注基准上，它得分 1.6——这个数字要么是数据格式不匹配，要么是真正的失败，而卡片没有说明是哪一种。

延迟表正是这款模型证明自己名副其实的地方。请求延迟中位数为 38.8 毫秒，p95 为 122.4 毫秒，而 27B Clef 为 209.3 / 238.6，Jev 为 524.1 / 536.0。Cloudflare 是在自家基础设施上测量的，因此请将绝对毫秒数视为你在其他地方所见延迟的上限，但其排序——Flash 变体大约比自家更大的同级模型快五倍半，中位数上比 Jev 快十三倍——正说明该设计如宣传般奏效。

各房源信息中唯一存在分歧的那个数字

上下文窗口是那个会让人吃亏的数字，因为它是被抄错的那个。Cloudflare 的 Workers AI 文档针对 @cf/cloudflare/clef-flash 标明上下文窗口为 65,536 个 token。博客文章写道：“我们的模型有 64k 上下文窗口（相比之下 Jev 的是 32k）。”模型卡自己的编码辅助工具默认使用 max_length=16,384 个 token。与此同时，某个第三方运行时的库列表在其表格中宣称 256K。

三个厂商来源一致认为是大约 64K，而一份第三方列表给出的数字是它的四倍。如果你凭借某个库页面，就按 256K 的预算来规划提示词规模，那么到了请求时你就会发现问题。诚实的解读是：有文档记载的上限为 65,536 个 token，但要注意，Cloudflare 自己的发布说明从未将这个数字与该卡片的 16,384 个 token 默认值对齐——那是默认值，不是限制，但如果你按原样使用捆绑的加载器，它会悄然决定你发送多少状态。

你可以在哪里调用它，以及在哪里不能调用它

Clef-Flash 还不是 OrcaRouter 上的路由之一。我们的目录对它返回 404，本文中的任何内容都不应被解读为我们对其可用性的声明——如果你今天就想用上它，Cloudflare 在 Workers AI 上托管它，价格为每百万输入 token 0.09 美元，而 Apache-2.0 权重归你所有，可在本地运行。

这对本文真正要讨论的那个决策意味着什么：一个只能通过某一家厂商的平台访问的评分器，你在得到它准确率的同时，也一并继承了它的延迟和可用性。有路由的托管替代方案是 TypeSafe 的 Jev 1.13，它位于 OrcaRouter 上，每百万输入 token 收费 $0.042，上下文为 65,536 个 token，而且它正是 Cloudflare 选作基准对照的那个模型——这是刻意的，因为两者 API 兼容。Clef-Flash 使用相同的 {{2}}/v1/systemone{{/2}} 请求格式，因此两者可以在一个薄适配层之后互换。{{3}}两者都能通过同一个密钥访问，且{{/3}}{{4}}供应商标价原样透传、不加价{{/4}}{{5}}，这正是让这一对比保持常开、而不是把架构押在哪个模型恰好最先发布上的原因。{{/5}}/v1/systemone两者都能通过同一个密钥访问，且供应商标价原样透传、不加价，这正是让这一对比保持常开、而不是把架构押在哪个模型恰好最先发布上的原因。

什么会改变这个读数

三件事，按它们对局面影响的大小排序。

Cloudflare 之外的某个人需要复现 CLINC150+OOS 和家电控制这两组单元格，因为它们指向相反的方向，而模型卡没有为其中任何一项提供机制。范围外意图检测上的 66.8 与家电控制上的 97.7 并列，并不是一条平滑的能力曲线；它表明，这个模型非常擅长其训练分布中的分类形态，但在正确答案是“以上都不是”时，拒绝分类的能力要弱得多。如果这一点在独立测试下成立，那它就是关于 clef-flash 最重要的操作性事实，而它并不在亮点部分。

64K 与 256K 的清单差异需要有一个来源来纠正，因为它目前正从一面镜像向外扩散，进入人们真正会阅读的地方。要驳倒某个运行时的规格卡，通常并不需要引用厂商文档，而这是一个小案例，情况却正是如此。

而且这个类别必须经受住真实工作负载的考验。Cloudflare 自己的说法是，决策模型位于智能体的热路径中——在他们的 Threat Intelligence 示例中，决策模型抓取、渲染和分类一个网站需要两秒，而他们最快的通用 LLM 完成同一任务需要 4.7 秒。这是一个针对真实且具体工作流的真实且具体主张，而这类主张最终要由实际运行它的人来下结论，而不是靠一张表格。