Clef Inafanya kazi

Clef ni familia ya miundo ya kufanya maamuzi ya Cloudflare iliyotolewa kama chanzo huria, inayoweka muktadha kisha kuamua hatua inayofuata. Tofauti na miundo ya mazungumzo inayozalisha maandishi huria, Clef hufafanua swali kwa muda ndani ya ombi na kutoa uwezekano kwa kila chaguo, ili msimbo uweze kufanya uelekezaji au uzuiaji kulingana na matokeo hayo, bila kuhitaji mafunzo upya kila mara aina mpya zinapoongezwa. Katika familia ya Clef, Clef ya 27B inalenga usahihi, huku Clef-flash ya 9B ikiwa na ucheleweshaji wa wastani wa hadi milisekunde 38.8, na hivyo kufaa kuingizwa kwenye njia moto ya Agent.

Maamuzi yenye uwezekano: ingiza state na swali lenye aina maalum, kisha toa uwezekano wa kila chaguo; msimbo unaweza kutumia matokeo hayo moja kwa moja kuelekeza, kuzuia au kumpelekea mwanadamu.
Aina tatu za maswali: inasaidia noul, choice na score, huku ombi moja likiruhusu hadi maswali 64.
Uainishaji wa picha: vision encoder iliyojengwa ndani inaweza kutumia hadi picha 4 pamoja na maandishi kwa ajili ya utoaji wa alama.
Muktadha wa 64K: unaweza kushughulikia kumbukumbu ndefu, tiketi za huduma, hali ya JSON na maingizo mengine kamili zaidi.
Utangamano na Jev API: schema ya ombi inalingana na Jev, hivyo uhamishaji kwa kawaida huhitaji kubadilisha tu endpoint na jina la modeli.
Uchakataji usio wa autoregressive: baada ya prefill moja, hutoa alama kwa chaguo halali kwa sambamba; haitengenezi maandishi tokeni moja baada ya nyingine, hivyo ucheleweshaji huwa chini sana kuliko LLM za jumla.
Ukaribishaji wa ukingoni wenye ucheleweshaji mdogo: kwa kutegemea mtandao wa kimataifa wa GPU wa Workers AI, Clef ina wastani wa milisekunde 209 na Clef-flash milisekunde 38.8 pekee, hivyo inaweza kutumika kwenye njia moto.

Mfuate WeChat na ujibu “开源” ili ujiunge na kikundi cha majadiliano ya miradi ya AI ya chanzo huria
Usanifu wa maamuzi usio wa autoregressive: Clef kwanza hufanya hesabu ya mbele ya prefill-only mara moja kwenye ingizo, kisha hutoa alama kwa sambamba kwa chaguo halali za schema zilizofafanuliwa kwenye ombi, na kupata matokeo yaliyoundwa moja kwa moja kutoka kwa uwakilishi wa ndani.
Uelekezaji wa umakini wa hatua mbili: kila chaguo halali kwanza hutoa muktadha unaohusiana nalo kutoka kwenye prompt, kisha vigezo vya kila sehemu hufanya cross-attend kwa pamoja na kurejea kwenye payload ya awali kwa uundaji wa pamoja. Kwa kushirikisha lexical prior kudumisha uthabiti wa kimaana kati ya chaguo, ushahidi hatimaye hukusanywa kuwa alama chini ya vikwazo vya schema.
Msingi uliogandishwa + urekebishaji mwepesi: msingi ni Qwen3.8-27B na Qwen3.5-9B; sehemu kuu hugandishwa, huku routing head na adapta za LoRA za rank-256 zikiboreshwa kwa pamoja. Hii hupata uwezo wa kufanya maamuzi kwa vigezo vichache vinavyoweza kufunzwa na kupunguza gharama za mafunzo na uwekaji.
Lengo la mafunzo linalolenga kalibresheni: post-training hutumia label-smoothed cross-entropy kuhakikisha matokeo yanaangukia ndani ya schema halali, kisha huongeza Brier loss maalum kwa ajili ya kukalibisha uwezekano ili thamani za uwezekano zitolewe kwa uaminifu.
Ujifunzaji wa kuimarisha wa RLCD: Reinforcement Learning for Calibrated Decisions iliyotengenezwa ndani hutumika kama lengo la pili la uboreshaji. Hutoa alama za sehemu kwa chaguo za ordinal zilizo karibu, alama kamili kwa jibu sahihi kabisa, na huongeza reference penalty kuzuia usambazaji kutangatanga, hivyo kuboresha usahihi na ujanibishaji.
Mbinu ya data: data ya mafunzo ni seti ya data ya ndani iliyosanisishwa. Ujanibishaji huimarishwa kwa kubadilisha mpangilio wa sehemu na miundo ya prompt na schema, ili modeli isiathiriwe sana na namna swali lilivyoandikwa na iweze kuzoea aina mpya zinazofafanuliwa kwa muda wakati wa ombi.

Thibitisha akaunti na ruhusa: jisajili kwa akaunti ya Cloudflare, pata Account ID na API Token, kisha uwashe Workers AI.
Chagua modeli: kulingana na mahitaji, chagua @cf/cloudflare/clef au @cf/cloudflare/clef-flash.
Unda mwili wa ombi: andaa model, state (hali ya maandishi/JSON) na questions (maswali 1–64 ya aina ya noul/choice/score, huku mipaka ya criteria ikiandikwa wazi).
Anzisha mwito: tumia REST POST kwenda /accounts/{id}/ai/run/@cf/cloudflare/clef, au tumia env.AI.run() ndani ya Worker kwa mwito uliounganishwa.
Changanua matokeo ya uwezekano: soma uwezekano wa chaguo/alama zilizopimwa za kila swali kutoka response.answers, kisha tumia “chaguo la juu zaidi + kizingiti cha uwezekano” kwa uelekezaji au uzuiaji.
Ongeza picha (si lazima): unapohitaji uamuzi wa kuona, pachika baiti za PNG/JPEG/WebP kwenye ombi; usitume URL ya mbali.
Fanya majaribio ya mzigo kabla ya uzinduzi: pima ucheleweshaji na usahihi kwa urefu wa state na idadi ya maswali yako, kisha amua kama utabadilisha yote au ugawanye trafiki ya flash/clef kulingana na hatari.
Urekebishaji wa hali ya juu (si lazima): ikiwa lebo za kikoa ni maalum, kusanya data kupitia AI Gateway na utumie huduma ya RL fine-tuning ya timu ya FDE kubinafsisha modeli.

Kasi kubwa: utoaji wa alama kwa sambamba usio wa autoregressive pamoja na ukaribishaji wa GPU ukingoni; Clef ina ucheleweshaji wa wastani wa milisekunde 209, huku Clef-flash ikiwa na milisekunde 38.8 pekee, ikiwa haraka mara 2.5×–13× kuliko Jev na inaweza kutumika kwenye njia moto.
Usahihi wa juu: inashika nafasi ya kwanza kwenye Jev Decision Index, ikipata alama za juu zaidi katika vigezo 7 kati ya 10 rasmi vya maamuzi, na kushinda vipengele 3 kati ya 4 kwenye tathmini ya mtiririko wa Typesafe.
Ongeza aina bila mafunzo upya: aina hufafanuliwa kwa muda ndani ya ombi, hivyo lebo mpya hazihitaji mafunzo upya ya modeli kama ilivyo kwa waainishaji wa jadi.
Uwezekano unaoweza kukalibishwa: mafunzo ya Brier loss + RLCD hufanya uwezekano wa matokeo kuwa wa kuaminika, hivyo unaweza kuweka kizingiti moja kwa moja kwa maamuzi ya kiotomatiki.
Multimodal asilia: vision encoder iliyojengwa ndani inaweza kuainisha picha, ilhali Jev kwa sasa hushughulikia maandishi pekee.
Muktadha maradufu: muktadha wa 64K (Jev ni 32K), unaoweza kuhifadhi kumbukumbu na hali ndefu zaidi.
Uhamishaji bila gharama: inaendana kikamilifu na Jev API; badilisha endpoint na jina la modeli pekee ili kufanya uingizwaji kwa urahisi.

Tovuti rasmi ya mradi: https://blog.cloudflare.com/clef-decision-models/
Maktaba ya modeli ya HuggingFace: https://huggingface.co/Cloudflare/clef
https://huggingface.co/Cloudflare/clef-flash

Upangaji wa tiketi za huduma kwa wateja: ingiza maudhui ya tiketi na picha ya skrini, kisha katika ombi moja tambua kwa wakati mmoja ikiwa ni ya dharura, ipelekwe kwa timu gani na kiwango chake cha ukali; maombi yenye uaminifu mdogo hupelekwa moja kwa moja kwa mwanadamu.
Ujasusi wa vitisho na kuzuia hadaa: pamoja na Browser Run, kamata kurasa za wavuti zilizotolewa na uainishe vikoa/kurasa kwa lebo nyingi; majaribio rasmi yanaonyesha mchakato mzima huchukua sekunde 2.2 pekee.
Utambuzi wa trafiki ya Bot: kwenye njia moto ya lango, tumia Clef-flash kutambua haraka ikiwa mtambazaji ni wa nia njema au hasidi, kisha uzuie au uruhusu kwa kiwango cha milisekunde.
Ukaguzi kabla ya mwito wa zana za Agent: kabla ya Agent kutekeleza operesheni hatari, muulize Clef “ifanye au isiifanye, na itumie zana gani”, kisha tumia kizingiti cha uwezekano kuamua kama itekelezwe au uthibitisho uombwe.