Clef آپریشن میں

Clef، Cloudflare کی جانب سے اوپن سورس کیے گئے فیصلہ سازی کے ماڈلز کا خاندان ہے جو سیاق و سباق کا تعین کرکے اگلا اقدام منتخب کرتا ہے۔ کھلا متن تیار کرنے والے چیٹ ماڈلز کے برعکس، Clef درخواست کے اندر مسئلہ عارضی طور پر متعین کرتا ہے اور ہر اختیار کے لیے احتمال کا اسکور دیتا ہے، تاکہ کوڈ اسی بنیاد پر روٹنگ یا روک تھام کر سکے، اور نئی کیٹیگریز شامل کرنے کے لیے بار بار دوبارہ تربیت کی ضرورت نہ ہو۔ Clef خاندان میں 27B والا Clef درستگی پر توجہ دیتا ہے، جبکہ 9B والا Clef-flash صرف 38.8 ملی سیکنڈ کی درمیانی تاخیر کے ساتھ Agent کے ہاٹ پاتھ میں شامل کرنے کے لیے موزوں ہے۔

احتمالی فیصلہ سازی: state اور ٹائپ شدہ سوالات داخل کریں، ہر اختیار کا احتمال حاصل کریں، اور کوڈ کی مدد سے براہِ راست روٹنگ، روک تھام یا انسانی جائزے کے لیے escalation کریں۔
تین سوالی اقسام: noul، choice اور score سپورٹ کرتا ہے، اور ایک درخواست میں زیادہ سے زیادہ 64 سوالات ہو سکتے ہیں۔
بصری درجہ بندی: بلٹ اِن vision encoder موجود ہے، جو متن کے ساتھ زیادہ سے زیادہ 4 تصاویر کو شامل کرکے اسکور کر سکتا ہے۔
64K سیاق: طویل لاگز، ٹکٹس، JSON اسٹیٹس اور دیگر مکمل ان پٹس کو سمیٹ سکتا ہے۔
Jev API مطابقت: درخواست کا schema، Jev کے مطابق ہے، اس لیے منتقلی میں عموماً صرف endpoint اور ماڈل کا نام تبدیل کرنا پڑتا ہے۔
غیر خودکار تخمینہ: prefill ایک بار کرنے کے بعد قانونی اختیارات کو متوازی طور پر اسکور کرتا ہے؛ متن کو token بہ token تیار نہیں کرتا، اس لیے تاخیر عام LLM سے بہت کم رہتی ہے۔
ایج پر کم تاخیر والی میزبانی: Workers AI کے عالمی GPU نیٹ ورک کی بدولت Clef کی درمیانی تاخیر 209ms اور Clef-flash کی صرف 38.8ms ہے، اس لیے اسے ہاٹ پاتھ میں شامل کیا جا سکتا ہے۔

WeChat پر فالو کرکے جواب میں “开源” لکھیں اور AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں۔
غیر خودکار فیصلہ سازی کا معماری ڈھانچہ: Clef پہلے ان پٹ پر ایک بار prefill-only فارورڈ حساب انجام دیتا ہے، پھر درخواست میں متعین قانونی schema اختیارات کو متوازی طور پر اسکور کرتا ہے اور اندرونی نمائندگی سے براہِ راست ساختی نتیجہ اخذ کرتا ہے۔
دو مرحلوں والی attention routing: ہر قانونی اختیار پہلے prompt سے اپنے متعلقہ سیاق کو اخذ کرتا ہے، پھر ہر فیلڈ کے پیرامیٹرز ایک دوسرے کے ساتھ cross-attend کرتے ہیں اور اصل payload سے دوبارہ جڑ کر مشترکہ ماڈلنگ کرتے ہیں۔ lexical prior کے ساتھ اختیارات کے درمیان معنوی مطابقت برقرار رہتی ہے، اور آخر میں schema کی پابندیوں کے تحت شواہد کو اسکور میں جمع کیا جاتا ہے۔
منجمد بنیاد + ہلکا adapter: بنیادی ماڈلز Qwen3.8-27B اور Qwen3.5-9B ہیں۔ مرکزی نیٹ ورک کو منجمد رکھ کر صرف routing head اور rank-256 LoRA adapter کو مشترکہ طور پر بہتر کیا جاتا ہے، جس سے بہت کم قابلِ تربیت پیرامیٹرز کے ساتھ فیصلہ سازی کی صلاحیت حاصل ہوتی ہے اور تربیت و تعیناتی کی لاگت کم ہوتی ہے۔
Calibration پر مبنی تربیتی ہدف: post-training میں label-smoothed cross-entropy استعمال کیا جاتا ہے تاکہ آؤٹ پٹ قانونی schema کے اندر رہے، جبکہ Brier loss احتمال کو خاص طور پر calibrate کرتا ہے، جس سے خود احتمالی اقدار قابلِ اعتماد رہتی ہیں۔
RLCD reinforcement learning: Reinforcement Learning for Calibrated Decisions کو ثانوی optimization ہدف کے طور پر استعمال کیا جاتا ہے۔ قریبی ordinal اختیارات کو جزوی اسکور، درست انتخاب کو مکمل اسکور اور distribution drift روکنے کے لیے reference penalty دیا جاتا ہے، جس سے درستگی اور عمومی کارکردگی بہتر ہوتی ہے۔
ڈیٹا حکمتِ عملی: تربیتی ڈیٹا اندرونی طور پر تیار کردہ synthetic dataset پر مشتمل ہے۔ فیلڈز کی ترتیب، prompt اور schema کے ڈھانچے کو تبدیل کرکے عمومی کارکردگی بہتر بنائی جاتی ہے، تاکہ ماڈل سوال کے انداز سے کم متاثر ہو اور درخواست کے وقت متعین کی گئی نئی کیٹیگریز کے مطابق ڈھل سکے۔

اکاؤنٹ اور اجازتیں یقینی بنائیں: Cloudflare اکاؤنٹ رجسٹر کریں، Account ID اور API Token حاصل کریں، اور Workers AI فعال کریں۔
ماڈل منتخب کریں: ضرورت کے مطابق @cf/cloudflare/clef یا @cf/cloudflare/clef-flash منتخب کریں۔
درخواست کا body بنائیں: model، state (متنی/JSON اسٹیٹس) اور questions لکھیں۔ questions میں 1–64 noul/choice/score قسم کے سوالات ہوں اور criteria کی حدود واضح ہوں۔
کال شروع کریں: REST کے ذریعے /accounts/{id}/ai/run/@cf/cloudflare/clef پر POST کریں، یا Worker میں env.AI.run() binding کے ذریعے کال کریں۔
احتمالی نتیجہ parse کریں: response.answers سے ہر سوال کے اختیارات کے احتمالات یا weighted scores پڑھیں، پھر “سب سے زیادہ اختیار + احتمالی threshold” کے ذریعے روٹنگ یا روک تھام کریں۔
تصاویر شامل کریں (اختیاری): بصری فیصلہ درکار ہو تو PNG/JPEG/WebP بائٹس کو درخواست میں شامل کریں، remote URL نہ بھیجیں۔
لانچ سے پہلے load test کریں: اپنے state کی لمبائی اور سوالات کی تعداد کے ساتھ تاخیر اور درستگی کی پیمائش کریں، پھر مکمل منتقلی یا خطرے کی بنیاد پر flash/clef کی تقسیم کا فیصلہ کریں۔
اعلیٰ درجے کی fine-tuning (اختیاری): اگر ڈومین کے لیبل خاص نوعیت کے ہوں تو AI Gateway کے ذریعے ڈیٹا جمع کریں اور FDE ٹیم کی RL fine-tuning سروس سے ماڈل کو حسبِ ضرورت تیار کریں۔

تیز رفتاری: غیر خودکار متوازی scoring اور ایج GPU میزبانی کے باعث Clef کی درمیانی تاخیر 209ms اور Clef-flash کی صرف 38.8ms ہے؛ Jev کے مقابلے میں 2.5×–13× تیز، اس لیے ہاٹ پاتھ میں شامل کیا جا سکتا ہے۔
اعلیٰ درستگی: Jev Decision Index پر پہلے نمبر پر، سرکاری 10 decision benchmarks میں سے 7 میں سب سے زیادہ اسکور، اور Typesafe workflow evaluation میں 4 میں سے 3 کامیابیاں۔
دوبارہ تربیت کے بغیر کیٹیگریز شامل کریں: کیٹیگریز درخواست کے اندر عارضی طور پر متعین ہوتی ہیں، اس لیے نئے لیبلز کے لیے روایتی classifier کی طرح ماڈل کو دوبارہ train نہیں کرنا پڑتا۔
قابلِ اعتماد calibrated probabilities: Brier loss اور RLCD training آؤٹ پٹ کے احتمالات کو قابلِ اعتماد بناتے ہیں، اس لیے automation کے لیے براہِ راست threshold مقرر کیا جا سکتا ہے۔
مقامی multimodality: بلٹ اِن vision encoder تصاویر کی درجہ بندی کر سکتا ہے، جبکہ Jev فی الحال صرف متن پر کام کرتا ہے۔
دوگنا سیاق: 64K context، جبکہ Jev میں 32K ہے، اس لیے طویل لاگز اور زیادہ اسٹیٹس شامل کیے جا سکتے ہیں۔
بغیر لاگت منتقلی: Jev API کے ساتھ مکمل مطابقت، صرف endpoint اور ماڈل کا نام بدل کر ہموار منتقلی ممکن ہے۔

پروجیکٹ کی ویب سائٹ: https://blog.cloudflare.com/clef-decision-models/
HuggingFace ماڈل ریپوزٹری: https://huggingface.co/Cloudflare/clef
https://huggingface.co/Cloudflare/clef-flash

کسٹمر سروس ٹکٹ triage: ٹکٹ کا متن اور اسکرین شاٹ داخل کرکے ایک ہی درخواست میں یہ تعین کریں کہ آیا معاملہ ہنگامی ہے، اسے کس ٹیم کو بھیجنا ہے اور شدت کا اسکور کیا ہے؛ کم اعتماد کی صورت میں خودکار طور پر انسانی جائزے کے لیے بھیجیں۔
Threat intelligence اور phishing سے بچاؤ: Browser Run کے ساتھ rendered ویب صفحات حاصل کریں اور ڈومین/صفحے کی متعدد لیبلز کے ساتھ درجہ بندی کریں؛ سرکاری ٹیسٹ میں مکمل عمل صرف 2.2 سیکنڈ کا رہا۔
Bot ٹریفک کا فیصلہ: gateway کے ہاٹ پاتھ میں Clef-flash کے ذریعے تیزی سے طے کریں کہ crawler جائز ہے یا بدنیتی پر مبنی، اور ملی سیکنڈ کی سطح پر اسے روکیں یا اجازت دیں۔
Agent کے tool call سے پہلے جائزہ: Agent کے زیادہ خطرے والے عمل سے پہلے Clef سے پوچھیں کہ “کیا یہ کرنا چاہیے اور کون سا tool استعمال ہو؟”، پھر احتمالی threshold کی بنیاد پر عمل درآمد یا تصدیق کی درخواست کا فیصلہ کریں۔