Clef خدام

Clef هي عائلة ديال موديلات القرار مفتوحة المصدر من Cloudflare، كتعطي السياق الاتجاه ديالو ومن بعد كتقرر شنو خاص يوقع. بعكس موديلات الدردشة اللي كتولّد نصوص مفتوحة، Clef كتعرف السؤال مؤقتاً داخل الطلب وكتعطي لكل اختيار احتمال، باش يقدر الكود يدير التوجيه ولا الحجب، بلا ما يحتاج يعاود يدرّب الموديل كل مرة تزاد فئة جديدة. فعايلة Clef، Clef ديال 27B كتركز على الدقة، وClef-flash ديال 9B كتوصّل لوسيط تأخير ديال 38.8 ميلي ثانية، وهادشي مناسب باش تدمجها فالمسار السخون ديال Agent.

القرار بالاحتمالات: كتدخل state وسؤال مهيكل، وكيخرج احتمال كل اختيار، والكود يقدر يستعملو مباشرة فالتوجيه أو الحجب أو التصعيد للإنسان.
ثلاثة أنواع ديال الأسئلة: كدعم noul وchoice وscore، وبحد أقصى 64 سؤال فكل طلب.
التصنيف البصري: فيها vision encoder مدمج، وتقدر تدمج حتى 4 تصاور مع النص باش يتحسبو النقاط.
سياق 64K: كيستوعب logs طوال، وتذاكر الدعم، وحالات JSON كاملة أكثر.
التوافق مع Jev API: schema ديال الطلبات متوافق مع Jev، والهجرة كتحتاج غالباً غير تبديل endpoint واسم الموديل.
استدلال غير تكراري: من بعد prefill مرة وحدة، كيتحسبو نقاط الاختيارات القانونية بالتوازي، بلا ما يتولّد النص token بtoken، وهادشي كيخلي التأخير أقل بزاف من LLM عام.
استضافة طرفية بتأخير منخفض: بفضل شبكة GPU العالمية ديال Workers AI، الوسيط ديال Clef هو 209ms وClef-flash غير 38.8ms، وكتقدر تدخل للمسار السخون.

تابعونا فـ WeChat وردّو بـ“开源” باش تنضمو لمجموعة مشاريع الذكاء الاصطناعي مفتوحة المصدر
بنية قرار غير تكرارية: Clef كتدير أولاً حساباً أمامياً من نوع prefill-only على المدخلات، ومن بعد كتحسب بالتوازي نقاط اختيارات schema القانونية المحددة فالطلب، وكتستنتج النتيجة المهيكلة مباشرة من التمثيل الداخلي.
توجيه الانتباه على جوج مراحل: كل اختيار قانوني كيستخرج أولاً من prompt السياق المرتبط به، ومن بعد كيتبادلو بارامترات الحقول الانتباه المتقاطع، وكيعاودو يربطو بالـ payload الأصلي باش يديرو نمذجة مشتركة، مع استعمال lexical prior للحفاظ على الانسجام الدلالي بين الاختيارات، وفي الأخير كتتجمع الأدلة فشكل نقاط خاضعة لقيود schema.
قاعدة مجمّدة + تكييف خفيف: القاعدة هي Qwen3.8-27B وQwen3.5-9B، مع تجميد العمود الفقري وتحسين routing head وrank-256 LoRA adapter بشكل مشترك. بهاد العدد الصغير من البارامترات القابلة للتدريب كتكتسب قدرة القرار، وكيهبط ثمن التدريب والنشر.
هدف تدريب موجّه بالمعايرة: post-training كيستعمل label-smoothed cross-entropy باش يضمن بقاء المخرجات داخل schema القانونية، وكيضيف Brier loss لمعايرة الاحتمالات، باش تكون قيم الاحتمالات المخرجة موثوقة بحد ذاتها.
التعلم المعزز RLCD: Reinforcement Learning for Calibrated Decisions مطوّر داخلياً كهدف تحسين من الدرجة الثانية؛ كيعطي نقاطاً جزئية للاختيارات الترتيبية المتجاورة، ونقاطاً كاملة للإصابة الدقيقة، وكيضيف reference penalty باش يمنع انجراف التوزيع، مما كيرفع الدقة والتعميم.
استراتيجية البيانات: بيانات التدريب جاية من مجموعة بيانات اصطناعية داخلية، مع تبديل ترتيب الحقول وبنية prompt وschema لتعزيز التعميم، باش ما يبقاش الموديل حساس لطريقة صياغة السؤال ويقدر يتأقلم مع الفئات الجديدة اللي كتتحدد مؤقتاً وقت الطلب.

تأكد من الحساب والصلاحيات: سجّل حساب Cloudflare، وخذ Account ID وAPI Token، وفعّل Workers AI.
اختار الموديل: حسب الحاجة اختار @cf/cloudflare/clef أو @cf/cloudflare/clef-flash.
بني جسم الطلب: كتب model وstate (حالة نصية/JSON) وquestions (من 1 حتى 64 سؤال من نوع noul/choice/score، ووضّح حدود criteria مزيان).
طلق الاستدعاء: استعمل REST POST نحو /accounts/{id}/ai/run/@cf/cloudflare/clef، أو استعمل env.AI.run() داخل Worker للاستدعاء المرتبط.
حلّل نتائج الاحتمالات: قرا احتمالات الاختيارات/النقاط الموزونة ديال كل سؤال من response.answers، واستعمل “الاختيار الأعلى + عتبة الاحتمال” للتوجيه أو الحجب.
دمج الصور (اختياري): ملي تحتاج حكم بصري، ضمّن بايتات PNG/JPEG/WebP فالطلب، وما تبعثش URL بعيد.
دير اختبار الضغط قبل الإطلاق: قِس التأخير والدقة باستعمال طول state وعدد الأسئلة ديالك، ومن بعد قرر واش تدير التحويل الكامل أو توزّع الحركة حسب المخاطر بين flash وclef.
الضبط المتقدم (اختياري): إلا كانت labels ديال المجال خاصة، جمّع البيانات عبر AI Gateway واستعمل خدمة RL fine-tuning ديال فريق FDE لتخصيص الموديل.

سريعة: التنقيط المتوازي غير التكراري + استضافة GPU طرفية، بوسيط تأخير 209ms لـClef و38.8ms فقط لـClef-flash، أسرع من Jev بـ 2.5×–13×، وكتقدر تدخل للمسار السخون.
دقيقة: محتلة المرتبة الأولى فـ Jev Decision Index، وحاصلة على أعلى نقطة فـ 7 من أصل 10 معايير قرار رسمية، وربحات 3 من أصل 4 اختبارات Typesafe workflow.
كتزيد الفئات بلا إعادة التدريب: الفئات كتتحدد مؤقتاً فالطلب، وزيادة label جديدة ما كتحتاجش إعادة تدريب الموديل بحال المصنفات التقليدية.
احتمالات قابلة للمعايرة: تدريب Brier loss + RLCD كيخلي الاحتمالات المخرجة موثوقة، وتقدر تحدد عتبة مباشرة للقرارات الآلية.
تعدد الوسائط بشكل أصلي: vision encoder مدمج كيصنّف الصور، بينما Jev حالياً كيدير غير النص.
سياق مضاعف: سياق 64K (مقابل 32K عند Jev)، وكيقدر يستوعب logs وحالات أطول.
هجرة بلا تكلفة: توافق كامل مع Jev API، وتبديل endpoint واسم الموديل كافي للاستبدال بسلاسة.

الموقع الرسمي للمشروع: https://blog.cloudflare.com/clef-decision-models/
مكتبة موديلات HuggingFace: https://huggingface.co/Cloudflare/clef
https://huggingface.co/Cloudflare/clef-flash

فرز تذاكر الدعم: دخل محتوى التذكرة والصورة، وفطلب واحد حدّد واش الحالة مستعجلة، ولأي فريق خاصها تمشي، وقيّم الخطورة، وصعّد الحالات ذات الثقة المنخفضة للإنسان بشكل تلقائي.
معلومات التهديدات ومكافحة التصيد: مع Browser Run لجلب صفحات الويب المرسومة، دير تصنيف متعدد الوسوم للنطاقات والصفحات، والاختبار الرسمي وصل للمعالجة كاملة فـ 2.2 ثانية فقط.
تحديد حركة Bot: فالمسار السخون ديال البوابة، استعمل Clef-flash باش تحدد بسرعة واش crawler حسن النية ولا خبيث، وتحجبو ولا تسمح ليه فميلي ثواني.
المراجعة القبلية لاستدعاء أدوات Agent: قبل ما ينفذ Agent عملية عالية المخاطر، سول Clef “واش خاصها تدار، وبأي أداة؟”، وقرر التنفيذ أو طلب التأكيد حسب عتبة الاحتمال.