Clef 運営中

ClefはCloudflareがオープンソースで公開する意思決定モデルファミリーです。コンテキストを踏まえて方向性を定め、その後のアクションを決定します。自由形式のテキストを生成するチャットモデルとは異なり、Clefはリクエスト内で問題をその場で定義し、各選択肢に確率を付与します。これにより、コードは再学習なしでルーティングやブロックを実行できます。Clefファミリーでは、27BのClefが精度を重視し、9BのClef-flashは中央値38.8ミリ秒の低遅延を実現し、Agentのホットパスへの組み込みに適しています。

確率に基づく意思決定：stateと型付きの質問を入力すると、各選択肢の確率を出力します。コードはその結果を直接利用して、ルーティング、ブロック、または人手対応へのエスカレーションを行えます。
3種類の質問タイプ：noul、choice、scoreに対応し、1回のリクエストで最大64問を処理できます。
画像分類：vision encoderを内蔵し、最大4枚の画像をテキストと組み合わせてスコアリングできます。
64Kコンテキスト：長いログ、チケット、JSON状態など、より完全な入力を格納できます。
Jev API互換：リクエストスキーマはJevに合わせられており、移行時の変更は基本的にエンドポイントとモデル名だけです。
非自己回帰推論：1回のprefill後、正当な選択肢を並列でスコアリングします。トークン単位でテキストを生成しないため、汎用LLMより大幅に低遅延です。
エッジホスティングによる低遅延：Workers AIのグローバルGPUネットワークを活用し、Clefは中央値209ms、Clef-flashはわずか38.8msで、ホットパスに組み込めます。

WeChatで「オープンソース」と返信すると、AIオープンソースプロジェクトの交流グループに参加できます
非自己回帰意思決定アーキテクチャ：Clefはまず入力に対してprefill-onlyのフォワード計算を1回実行し、リクエストで定義された正当なスキーマ選択肢を並列でスコアリングします。内部表現から構造化された結果を直接導出します。
2段階アテンションルーティング：各選択肢はまずプロンプトから自身に関連するコンテキストを抽出し、その後、各フィールドのパラメータ同士がcross-attendし、元のpayloadにも再接続して共同モデリングを行います。lexical priorによって選択肢間の意味的一貫性を保ち、最終的に証拠をスキーマ制約下のスコアへ集約します。
凍結した基盤モデル＋軽量アダプター：基盤モデルにはQwen3.8-27BとQwen3.5-9Bを使用し、主幹を凍結します。routing headとrank-256 LoRAアダプターのみを共同最適化し、少量の学習可能パラメータで意思決定能力を獲得することで、トレーニングとデプロイのコストを削減します。
キャリブレーション重視の学習目標：post-trainingではlabel-smoothed cross-entropyを用いて出力を正当なスキーマ内に収め、さらに確率を専門に調整するBrier lossを加えることで、出力確率自体の信頼性を高めます。
RLCD強化学習：独自開発のReinforcement Learning for Calibrated Decisionsを第2段階の最適化目標として使用します。隣接する順序尺度の選択肢には部分点、正確な一致には満点を与え、reference penaltyで分布のドリフトを防ぎ、精度と汎化性能を向上させます。
データ戦略：学習データには内部合成データセットを使用します。フィールドの順序、プロンプト、スキーマ構造を入れ替えて汎化性能を高めることで、モデルが質問の表現に左右されず、リクエスト時にその場で定義された新しいカテゴリにも対応できるようにします。

アカウントと権限を確認：Cloudflareアカウントを登録し、Account IDとAPI Tokenを取得して、Workers AIを有効にします。
モデルを選択：要件に応じて@cf/cloudflare/clefまたは@cf/cloudflare/clef-flashを選択します。
リクエスト本文を作成：model、state（テキスト/JSON状態）、questions（noul/choice/scoreタイプの質問を1〜64問。criteriaには境界条件を明確に記述）を設定します。
呼び出しを実行：RESTで/accounts/{id}/ai/run/@cf/cloudflare/clefにPOSTするか、Worker内でenv.AI.run()バインディングを使って呼び出します。
確率結果を解析：response.answersから各質問の選択肢の確率/加重スコアを読み取り、「最高確率の選択肢＋確率しきい値」でルーティングまたはブロックを行います。
画像を追加（任意）：画像による判定が必要な場合は、PNG/JPEG/WebPのバイト列をリクエストに埋め込み、リモートURLは送信しないでください。
本番前に負荷テスト：実際のstateの長さと質問数で遅延と精度を測定し、全面移行するか、リスクに応じてflash/clefを振り分けるかを決定します。
高度な微調整（任意）：ドメイン固有のラベルが特殊な場合は、AI Gatewayでデータを蓄積し、FDEチームのRL微調整サービスでモデルをカスタマイズします。

高速：非自己回帰の並列スコアリングとエッジGPUホスティングにより、Clefの中央値レイテンシは209ms、Clef-flashはわずか38.8msです。Jevより2.5倍〜13倍高速で、ホットパスに組み込めます。
高精度：Jev Decision Indexで首位にランクインし、公式の10項目の意思決定ベンチマークのうち7項目で最高スコアを獲得。Typesafeワークフロー評価でも4項目中3項目で勝利しています。
再学習なしでカテゴリを追加：カテゴリはリクエスト内でその場で定義できるため、従来の分類器のように新しいラベル追加のたびにモデルを再学習する必要がありません。
キャリブレーション可能な確率：Brier lossとRLCDによる学習で、出力確率自体の信頼性を高め、しきい値を直接設定して自動意思決定を行えます。
ネイティブなマルチモーダル対応：内蔵のvision encoderで画像を分類できます。Jevは現在テキストのみを扱います。
2倍のコンテキスト：64Kコンテキスト（Jevは32K）により、より長いログや状態を格納できます。
移行コストゼロ：Jev APIと完全互換で、エンドポイントとモデル名を変更するだけでスムーズに置き換えられます。

プロジェクト公式サイト：https://blog.cloudflare.com/clef-decision-models/
Hugging Faceモデルライブラリ： https://huggingface.co/Cloudflare/clef
https://huggingface.co/Cloudflare/clef-flash

カスタマーサポートチケットの振り分け：チケット内容とスクリーンショットを入力し、1回のリクエストで緊急性、ルーティング先のチーム、重大度スコアを同時に判定します。信頼度が低い場合は自動的に人手対応へエスカレーションします。
脅威インテリジェンスとフィッシング対策：Browser Runと組み合わせてレンダリング済みのWebページを取得し、ドメインやページを複数のラベルで分類します。公式の実測では、全体の処理時間はわずか2.2秒です。
Botトラフィックの判定：ゲートウェイのホットパスでClef-flashを使い、クローラーが善意か悪意かを高速に判定します。ミリ秒単位でブロックまたは許可できます。
Agentのツール呼び出し前の審査：Agentが高リスク操作を実行する前にClefへ「実行すべきか、どのツールを使うべきか」を問い合わせ、確率しきい値に基づいて実行するか確認を求めるかを決定します。