Cloudflare开源决策模型Clef，不写句子只输出带概率的选项

10月1日，Cloudflare发布了两个决策模型Clef与Clef-flash，权重以Apache2.0许可开放，模型托管在自家的Workers AI上。所谓决策模型，和常见的大语言模型走的不是一条路：它不生成自由文本，而是接收一段状态描述和一组事先定义好的问题，对每个问题的合法答案给出概率。调用方拿到的是一份结构化的判断，代码可以直接按这个判断去路由工单、触发升级或者转人工。

两个模型的底座都是冻结的。Clef基于Qwen3.8-27B，Clef-flash基于Qwen3.5-9B，训练时只更新一个路由头与rank-256的低秩适配器，主干参数不动。推理过程也不是逐token生成：先用底座做一次只算前向的预填充，再对合法选项并行打分，因为少了自回归这一步，速度比同规模的生成式模型快得多。Clef的上下文窗口是64K，另外带了视觉编码器，可以接图像做分类。

官方给出的延迟数据是这组模型最直接的卖点。在43项评测基准上，Clef的中位延迟为209.3毫秒，Clef-flash为38.8毫秒，作为对照的Jev是524.1毫秒。Cloudflare还举了一个内部用例：在威胁情报团队做网站域名分类时，Clef完成抓取、渲染与分类一共用了2.2秒，而公司内部最快的通用模型gpt-oss-120b在同一工作流上用了4.7秒，且只返回两个分类。

质量benchmark上的表现并不一边倒。在BFCL的精确匹配上Clef为98.47、Clef-flash为98.76，对照Jev是95.75；在BANKING77的宏平均F1上Clef拿到94.20，Jev是79.74。但换成When2Call和BRIGHT这两项，Jev反超。Cloudflare还在自家的Typesafe评测套件上做了四类工作流的对比，结果是Clef四场里赢了三场，客服场景那一项输给Clef-flash。

和模型一起放出的是微调路径。Cloudflare把训练链路的各个环节都落在自家产品上：数据由AI Gateway在流量经过时自动沉淀成数据集，rollout由Workers AI对底座模型生成，打分和重放agent动作在Containers里做，权重更新走新推出的Trainer，最后通过BYO Model把微调后的模型重新部署回Workers AI。目前微调需要前置部署工程师陪同，自助平台后续再开。官方明确，除非客户主动使用微调产品，否则不会读取、存储其请求与响应，也不用这些数据训练。

Cloudflare把首批内部用例列了出来：Trust and Safety的提交评估、支持工单分类、机器人产品里判断来访的是好爬虫还是坏爬虫、以及威胁情报的域名归类。这些任务的共同点是答案有边界、要求快且稳定，恰好是生成式模型不擅长的部分。把这一类判断从大模型里拆出来交给专用小模型，再让它以Apache2.0开放权重，是把选择权和成本一起交回给使用方。