Clef চালু আছে

Clef হলো Cloudflare-এর ওপেন-সোর্স সিদ্ধান্ত মডেলের পরিবার, যা প্রেক্ষাপট নির্ধারণ করে এবং পরবর্তী পদক্ষেপ ঠিক করে। উন্মুক্ত পাঠ্য তৈরি করা চ্যাট মডেলের বিপরীতে, Clef অনুরোধের মধ্যেই অস্থায়ীভাবে প্রশ্ন সংজ্ঞায়িত করে, প্রতিটি বিকল্পের জন্য সম্ভাবনা নির্ধারণ করে, যাতে কোড সেই অনুযায়ী রাউটিং বা ব্লক করতে পারে এবং নতুন শ্রেণির জন্য বারবার পুনঃপ্রশিক্ষণের প্রয়োজন না হয়। Clef পরিবারের মধ্যে 27B Clef নির্ভুলতার জন্য তৈরি, আর 9B Clef-flash-এর মধ্যমা লেটেন্সি মাত্র 38.8 মিলিসেকেন্ড, যা Agent-এর হট পাথে সংযুক্ত করার জন্য উপযোগী।

সম্ভাবনাভিত্তিক সিদ্ধান্ত: state ও টাইপকৃত প্রশ্ন ইনপুট দিলে প্রতিটি বিকল্পের সম্ভাবনা আউটপুট করে; কোড সরাসরি এর ভিত্তিতে রাউট, ব্লক বা মানব পর্যালোচনায় পাঠাতে পারে।
তিন ধরনের প্রশ্ন: noul, choice ও score সমর্থন করে; এক অনুরোধে সর্বোচ্চ 64টি প্রশ্ন।
ভিজ্যুয়াল শ্রেণিবিন্যাস: বিল্ট-ইন vision encoder রয়েছে; সর্বোচ্চ 4টি ছবি পাঠ্যের সঙ্গে একত্রে স্কোর করা যায়।
64K কনটেক্সট: দীর্ঘ লগ, টিকিট, JSON state ইত্যাদি আরও সম্পূর্ণ ইনপুট ধারণ করতে পারে।
Jev API সামঞ্জস্য: অনুরোধের schema Jev-এর সঙ্গে সামঞ্জস্যপূর্ণ, তাই স্থানান্তরের সময় মূলত শুধু endpoint ও model name পরিবর্তন করতে হয়।
নন-অটোরিগ্রেসিভ ইনফারেন্স: একবার prefill করার পর বৈধ বিকল্পগুলো সমান্তরালে স্কোর করে; token ধরে ধরে পাঠ্য তৈরি করে না, তাই সাধারণ LLM-এর তুলনায় লেটেন্সি অনেক কম।
এজ-হোস্টেড কম লেটেন্সি: Workers AI-এর বৈশ্বিক GPU নেটওয়ার্কের ওপর নির্ভর করে Clef-এর মধ্যমা 209ms এবং Clef-flash-এর মাত্র 38.8ms, ফলে এটি হট পাথে ব্যবহার করা যায়।

WeChat-এ ফলো করে “开源” লিখে উত্তর দিন, AI ওপেন-সোর্স প্রকল্পের গ্রুপে যোগ দিন
নন-অটোরিগ্রেসিভ সিদ্ধান্ত স্থাপত্য: Clef প্রথমে ইনপুটে একবার prefill-only forward computation চালায়, এরপর অনুরোধে সংজ্ঞায়িত বৈধ schema বিকল্পগুলো সমান্তরালে স্কোর করে এবং অভ্যন্তরীণ উপস্থাপনা থেকে সরাসরি কাঠামোবদ্ধ ফল নির্ণয় করে।
দুই-পর্যায়ের attention routing: প্রতিটি বৈধ বিকল্প প্রথমে prompt থেকে নিজের সঙ্গে সম্পর্কিত প্রেক্ষাপট বের করে, এরপর প্রতিটি field parameter পরস্পরের সঙ্গে cross-attend করে এবং মূল payload-এ ফিরে যৌথভাবে মডেল করা হয়। lexical prior-এর সহায়তায় বিকল্পগুলোর মধ্যে অর্থগত সামঞ্জস্য বজায় রেখে শেষ পর্যন্ত schema-নির্ধারিত সীমার মধ্যে প্রমাণকে স্কোরে সংকলন করা হয়।
স্থির base + হালকা adaptation: base মডেল হলো Qwen3.8-27B এবং Qwen3.5-9B। মূল backbone স্থির রেখে শুধু routing head ও rank-256 LoRA adapter যৌথভাবে অপ্টিমাইজ করা হয়। এতে অল্প trainable parameter দিয়েই সিদ্ধান্ত গ্রহণের ক্ষমতা পাওয়া যায় এবং প্রশিক্ষণ ও deployment খরচ কমে।
Calibration-কেন্দ্রিক প্রশিক্ষণ লক্ষ্য: post-training-এ label-smoothed cross-entropy ব্যবহার করে output-কে বৈধ schema-এর মধ্যে রাখা হয়, পাশাপাশি Brier loss দিয়ে সম্ভাবনা বিশেষভাবে calibrate করা হয়, যাতে output probability নিজেই বিশ্বাসযোগ্য হয়।
RLCD reinforcement learning: নিজস্ব Reinforcement Learning for Calibrated Decisions-কে দ্বিতীয় পর্যায়ের optimization target হিসেবে ব্যবহার করা হয়। কাছাকাছি ordinal বিকল্পে আংশিক স্কোর, সঠিক মিলে পূর্ণ স্কোর এবং distribution drift ঠেকাতে reference penalty দেওয়া হয়, ফলে নির্ভুলতা ও generalization বাড়ে।
ডেটা কৌশল: প্রশিক্ষণ ডেটা অভ্যন্তরীণভাবে তৈরি dataset; field order, prompt ও schema structure পরিবর্তন করে generalization বাড়ানো হয়, যাতে মডেল প্রশ্নের ভাষার প্রতি কম সংবেদনশীল হয় এবং অনুরোধের সময় সংজ্ঞায়িত নতুন শ্রেণির সঙ্গে মানিয়ে নিতে পারে।

অ্যাকাউন্ট ও অনুমতি নিশ্চিত করুন: Cloudflare account নিবন্ধন করুন, Account ID ও API Token সংগ্রহ করুন এবং Workers AI চালু করুন।
মডেল নির্বাচন করুন: প্রয়োজন অনুযায়ী @cf/cloudflare/clef অথবা @cf/cloudflare/clef-flash বেছে নিন।
অনুরোধের body তৈরি করুন: model, state (পাঠ্য/JSON state) এবং questions লিখুন; এতে 1–64টি noul/choice/score ধরনের প্রশ্ন থাকতে পারে এবং criteria-এর সীমা স্পষ্টভাবে উল্লেখ করুন।
কল শুরু করুন: REST POST-এর মাধ্যমে /accounts/{id}/ai/run/@cf/cloudflare/clef-এ পাঠান, অথবা Worker-এ env.AI.run() binding ব্যবহার করুন।
সম্ভাবনার ফল পার্স করুন: response.answers থেকে প্রতিটি প্রশ্নের বিকল্পের probability/weighted score পড়ে “সর্বোচ্চ বিকল্প + probability threshold” দিয়ে রাউটিং বা ব্লকিং করুন।
ছবি সংযুক্ত করুন (ঐচ্ছিক): ভিজ্যুয়াল সিদ্ধান্তের প্রয়োজন হলে PNG/JPEG/WebP byte অনুরোধে embed করুন; remote URL পাঠাবেন না।
লাইভ করার আগে load test করুন: নিজের state-এর দৈর্ঘ্য ও প্রশ্নের সংখ্যা দিয়ে latency ও নির্ভুলতা মেপে তারপর সম্পূর্ণ স্থানান্তর করবেন, অথবা ঝুঁকি অনুযায়ী flash/clef-এ traffic ভাগ করবেন।
উন্নত fine-tuning (ঐচ্ছিক): domain label বিশেষ হলে AI Gateway-এর মাধ্যমে ডেটা জমা করে FDE team-এর RL fine-tuning service ব্যবহার করে মডেল কাস্টমাইজ করুন।

দ্রুত: নন-অটোরিগ্রেসিভ parallel scoring এবং edge GPU hosting-এর কারণে Clef-এর মধ্যমা latency 209ms, Clef-flash-এর মাত্র 38.8ms; Jev-এর তুলনায় 2.5×–13× দ্রুত এবং হট পাথে ব্যবহারযোগ্য।
উচ্চ নির্ভুলতা: Jev Decision Index-এ প্রথম স্থানে, official 10টি decision benchmark-এর 7টিতে সর্বোচ্চ স্কোর এবং Typesafe workflow evaluation-এর 4টির মধ্যে 3টিতে জয়ী।
পুনঃপ্রশিক্ষণ ছাড়াই শ্রেণি যোগ: শ্রেণি অনুরোধের মধ্যেই অস্থায়ীভাবে সংজ্ঞায়িত হয়, তাই প্রচলিত classifier-এর মতো নতুন label যোগ করতে মডেল পুনঃপ্রশিক্ষণ লাগে না।
Calibrated probability: Brier loss + RLCD training output probability-কে বিশ্বাসযোগ্য করে, ফলে সরাসরি threshold সেট করে automated decision নেওয়া যায়।
নেটিভ multimodal: বিল্ট-ইন vision encoder দিয়ে ছবি শ্রেণিবিন্যাস করা যায়, যেখানে Jev বর্তমানে শুধু পাঠ্য সমর্থন করে।
দ্বিগুণ context: 64K context (Jev-এর 32K), তাই আরও দীর্ঘ log ও state রাখা যায়।
খরচহীন migration: Jev API সম্পূর্ণ সামঞ্জস্যপূর্ণ; endpoint ও model name বদলালেই মসৃণভাবে প্রতিস্থাপন করা যায়।

প্রকল্পের অফিসিয়াল সাইট: https://blog.cloudflare.com/clef-decision-models/
HuggingFace মডেল রিপোজিটরি: https://huggingface.co/Cloudflare/clef
https://huggingface.co/Cloudflare/clef-flash

কাস্টমার সার্ভিস টিকিট triage: টিকিটের বিষয়বস্তু ও screenshot ইনপুট দিয়ে এক অনুরোধেই জরুরি কি না, কোন team-এ route করতে হবে এবং severity score নির্ধারণ করুন; confidence কম হলে স্বয়ংক্রিয়ভাবে মানব পর্যালোচনায় পাঠান।
Threat intelligence ও anti-phishing: Browser Run-এর সঙ্গে rendered webpage সংগ্রহ করে domain/page-এ multi-label classification চালান; official test-এ সম্পূর্ণ প্রক্রিয়ায় মাত্র 2.2 সেকেন্ড লেগেছে।
Bot traffic নির্ধারণ: gateway-এর hot path-এ Clef-flash দিয়ে দ্রুত বোঝা যায় crawler সদর্থক নাকি ক্ষতিকর, এরপর মিলিসেকেন্ডে block বা allow করা যায়।
Agent tool call-এর আগে পর্যালোচনা: Agent উচ্চ-ঝুঁকির কাজ করার আগে Clef-কে জিজ্ঞাসা করুন “এটি করা উচিত কি না, কোন tool ব্যবহার করা উচিত”, তারপর probability threshold অনুযায়ী কাজটি চালান বা confirmation চান।