Clef Cloudflare 开源的决策模型家族

Clef是什么

Clef 是 Cloudflare 开源的决策模型家族，为上下文定调，再决定后续动作。与生成开放文本的聊天模型不同，Clef 是在请求里临时定义问题、为每个选项打出概率，让代码据此完成路由或拦截，无需为新增类别反复重训。Clef 家族中，27B 的 Clef 主打精度，9B 的 Clef-flash 快至 38.8 毫秒中位延迟，适合嵌进 Agent 的热路径。

Clef的主要功能

• 概率化决策 ：输入 state 与类型化问题，输出每个选项的概率，代码可直接据此路由、拦截或升级人工。
• 三种问题类型 ：支持 noul、choice、score，单次请求最多 64 问。
• 视觉分类 ：内置 vision encoder，可嵌入最多 4 张图与文本一起打分。
• 64K 上下文 ：可容纳长日志、工单、JSON 状态等更完整的输入。
• Jev API 兼容 ：请求 schema 与 Jev 对齐，迁移时基本只改端点和模型名。
• 非自回归推理 ：prefill 一次后对合法选项并行打分，不逐 token 生成文本，延迟远低于通用 LLM。
• 边缘托管低延迟 ：依托 Workers AI 全球 GPU 网络，Clef 中位 209ms、Clef-flash 仅 38.8ms，可进热路径。

Clef的技术原理

• 非自回归决策架构 ：Clef 先对输入做一次 prefill-only 前向计算，再对请求中定义的合法 schema 选项并行打分，直接从内部表示推导结构化结果。
• 两阶段注意力路由 ：每个合法选项先从 prompt 中提取与自身相关的上下文，再让各字段参数互相 cross-attend、回连原始 payload 联合建模，配合 lexical prior 保持跨选项的语义一致性，最终把证据汇总为 schema 约束下的分数。
• 冻结底座 + 轻量适配 ：底座为 Qwen3.8-27B和 Qwen3.5-9B，冻结主干，仅联合优化 routing head 与 rank-256 LoRA 适配器，用很小的可训练参数量获得决策能力，降低了训练和部署成本。
• 校准导向的训练目标 ：post-training 采用 label-smoothed cross-entropy 保证输出落在合法 schema 内，叠加 Brier loss 专门校准概率，使输出的概率值本身可信。
• RLCD 强化学习 ：自研 Reinforcement Learning for Calibrated Decisions 作为二级优化目标，对相邻序数选项给部分分、对精确命中给全分、加 reference penalty 防止分布漂移，提升准确率与泛化。
• 数据策略 ：训练数据为内部合成数据集，通过置换字段顺序、prompt 与 schema 结构来增强泛化，使模型对问题写法不敏感、能适应请求时临时定义的新类别。

如何使用Clef

• 确认账号与权限 ：注册 Cloudflare 账号，拿到 Account ID 和 API Token，开通 Workers AI。
• 选定模型 ：按需求选 @cf/cloudflare/clef 或 @cf/cloudflare/clef-flash 。
• 构造请求体 ：写好 model 、 state （文本/JSON 状态）和 questions （1–64 个 noul/choice/score 类型问题，criteria 边界写清）。
• 发起调用 ：用 REST POST 到 /accounts/{id}/ai/run/@cf/cloudflare/clef ，或在 Worker 里通过 env.AI.run() 绑定调用。
• 解析概率结果 ：从 response.answers 读取各问题的选项概率/加权分，用最高选项 + 概率阈值做路由或拦截。
• 接入图片（可选） ：需要视觉判定时，将 PNG/JPEG/WebP 字节嵌入请求，不要传远程 URL。
• 上线前压测 ：用自己的 state 长度和问题数实测延迟与准确率，再决定全量切换或按风险分流 flash/clef。
• 进阶微调（可选） ：领域标签特殊时，经 AI Gateway 沉淀数据，走 FDE 团队的 RL 微调服务定制模型。

Clef的核心优势

• 速度快 ：非自回归并行打分 + 边缘 GPU 托管，Clef 中位延迟 209ms、Clef-flash 仅 38.8ms，比 Jev 快 2.5×–13×，能进热路径。
• 精度高 ：在 Jev Decision Index 上排名第一，官方 10 项决策基准中 7 项最高分，Typesafe 工作流评测 4 项赢 3 项。
• 免重训加类别 ：类别在请求里临时定义，新增标签不用像传统分类器那样重训模型。
• 概率可校准 ：Brier loss + RLCD 训练让输出概率本身可信，可直接设阈值做自动化决策。
• 原生多模态 ：内置 vision encoder 可分类图像，而 Jev 目前只做文本。
• 上下文翻倍 ：64K 上下文（Jev 为 32K），能塞进更长日志和状态。
• 迁移零成本 ：Jev API 全兼容，换端点和模型名即可平滑替换。

Clef的项目地址

• 项目官网 ：https://blog.cloudflare.com/clef-decision-models/
• HuggingFace模型库 ： https://huggingface.co/Cloudflare/clef
• https://huggingface.co/Cloudflare/clef-flash

Clef的同类竞品对比

维度 | Clef / Clef-flash（Cloudflare） | Jev （Typesafe AI）

Clef的应用场景

• 客服工单分诊 ：输入工单内容与截图，一次请求同时判定是否紧急、该路由到哪个团队、严重度评分，低置信度自动升级人工。
• 威胁情报与反钓鱼 ：配合 Browser Run 抓取渲染网页，对域名/页面做多标签分类，官方实测全流程仅 2.2 秒。
• Bot 流量判定 ：在网关热路径用 Clef-flash 快速判断爬虫是善意还是恶意，毫秒级拦截或放行。
• Agent 工具调用前置审查 ：Agent 执行高风险操作前先问 Clef该不该做、用哪个工具，按概率阈值决定是否执行或请求确认。