Cloudflare 於二零二六年十月二日在其生日週（Birthday Week）期間，發布兩款自行訓練的開源決策模型 Clef 與 Clef-flash，託管於 Workers AI，並以 Apache 2.0 授權在 Hugging Face 公開模型權重。兩款模型主打快速、穩定且具結構化輸出的分類判斷，官方指出 Clef 在 Jev Decision Index 上領先同類產品，同時完全相容 Jev API，並一併推出強化學習微調平台。
Clef 是 Cloudflare 於二零二六年十月推出的開源決策模型，能快速產生具機率的結構化判斷，託管於 Workers AI，並以 Apache 2.0 授權公開權重。
過去一年，人工智能代理的討論幾乎圍繞大型語言模型展開。這類模型擅長推理、生成文字與呼叫工具，卻存在非確定性，同一段輸入可能得到不同結果。當代理需要在流程中做大量細碎判斷，例如分類、路由與升級，這種不確定性就會直接轉化為工程成本。
決策模型的出現，正是為了填補這道缺口。它們不追求開放式生成，而是在有限選項之間給出可預期的機率分布，讓程式能放心依賴輸出結果。Cloudflare 這次把自家決策模型開源，並放在邊緣節點上託管，等於把「快速判斷」變成一項可隨取隨用的基礎設施。
Clef 是什麼？
Clef 是 Cloudflare 訓練的決策模型家族，包含 Clef 與 Clef-flash 兩款，能在毫秒級產生帶機率的結構化判斷，並支援文字與圖像輸入。
Clef 家族目前包含兩款模型。較大的 Clef 以精準度為優先，適合品質要求較高的判斷任務；較小的 Clef-flash 則以延遲為核心，用於對反應速度極敏感的流程。兩者都部署在 Cloudflare 的 Workers AI 平台上，使用者可透過 API 直接呼叫，也可以下載權重自行部署。
名稱的由來與音樂有關。在樂理中，譜號（clef）置於樂譜開端，用來定義後續音符的音高範圍；Cloudflare 以此比喻決策模型為代理定調的功能，先界定情境範疇，再由代理決定後續動作。
什麼是決策模型？
決策模型是專門產生有限、結構化輸出的模型，可依機率對輸入分類，讓程式據此路由任務、觸發升級或轉交人工，適合需要快速且一致判斷的代理流程。
決策模型的核心工作是分類，並以機率形式回傳結果。舉例而言，把一段客戶支援訊息輸入模型，可以詢問該訊息是否緊急、應由哪個團隊處理；模型會回傳帶型別的答案與機率，程式再依此分派工單、啟動升級，或在必要時轉交人工。這使得代理流程中的部分決策不再需要人手介入。
它與大型語言模型的差異在輸出型態。大型語言模型是開放式的，能推理、生成文字與工具呼叫，但本質上不確定；決策模型則被限制在既定選項內，輸出穩定且可驗證。兩者並非互相取代，而是分工：判斷交由決策模型，行動與生成交由語言模型。
Clef 適合哪些應用場景？
Clef 適合需要即時判斷的代理流程，例如域名分類、客服工單分派、機器人流量辨識與安全事件分流，能在毫秒內給出可用於路由的結構化結果。
Cloudflare 在內部已把 Clef 用於威脅情報團隊，協助分類網站域名。系統把域名交給 Clef，模型可快速判斷該網站所屬類別，例如時尚、電子商務或釣魚風險的機率，再交由後續流程處理。官方指出，同樣的抓取、渲染與分類流程，Clef 耗時約二點二秒，而該公司最快的通用語言模型則需約四點七秒。
其他被點名的用途還包括信任與安全審核、客服請求分流，以及機器人流量判斷。這些任務的共同特徵，是決策頻率高、答案選項有限，且對延遲與一致性要求嚴格。把判斷交給決策模型，能讓代理在不犧牲速度的前提下自主運作。
Clef 與 Jev 等決策模型有何差異？
Clef 具備視覺編碼器，可直接分類圖像內容，並擁有 64k 上下文，較 Jev 的 32k 為大；它同時相容 Jev API，遷移成本相對較低。
兩項規格差異最為明顯。其一是視覺能力，Clef 內建視覺編碼器，能接收圖像並分類視覺內容，而 Jev 目前僅支援文字分類。其二是上下文長度，Clef 提供六萬四千個符記的上下文，約為 Jev 三萬兩千個的兩倍，可容納更多輸入狀態。
相容性則是另一項賣點。Clef 完全相容 Jev API，使用者在替換模型時幾乎不需改動程式碼。對於已經採用 Jev 的團隊而言，這降低了評估與遷移的門檻，也讓決策模型的選擇更接近基礎設施層面的比較，而非重新設計整體架構。
Clef 的效能與延遲表現如何？
- 2026-10推出時間
- Apache 2.0開源授權
- 64k上下文長度
- 209msClef 中位延遲
在 Cloudflare 公布的測試中，Clef 中位延遲約 209 毫秒，明顯低於 Jev 的 524 毫秒；Clef-flash 更低至 38.8 毫秒，並在多項分類基準取得領先。
延遲是這次發表的核心數據。Cloudflare 指出，Clef 的中位延遲約為二百零九毫秒，Clef-flash 則降至三十八點八毫秒，對照 Jev 的五百二十四毫秒，差距超過一倍。在需要把判斷放入代理熱路徑的場景中，這種差距足以改變整體流程的可行與否。
準確度方面，官方在多項基準上與同類模型比較。Clef 在銀行意圖分類與工具檢索等項目取得領先，而 Clef-flash 在家電指令與函式呼叫等基準上表現突出。由於這些基準多為結構化分類任務，正對應決策模型的實際用途，因此分數具備一定參考價值。
Cloudflare 如何訓練 Clef？
Clef 以 Qwen 為骨幹，於推論時只做前置填充，再平行評分各項結構化選項，屬非自迴歸流程，因此速度遠快於逐字生成文字的大型語言模型。
架構上，Clef 選用 Qwen 作為基礎模型再進行後訓練。推論期間，模型只執行一次前置填充，接著平行地為各項合法結構選項評分，整個判斷步驟不生成中間文字，因此不需逐字解碼。這種非自迴歸的做法，是它速度優勢的主要來源。
訓練流程也針對機率校準設計。官方以標籤平滑的交叉熵搭配布賴爾損失，讓輸出的機率更貼近實際分布；另外自研一套名為 RLCD 的強化學習方法，為相鄰的序位選項給予部分分數，並懲罰偏離參考分布的行為，藉此提升準確度與泛化能力。
新的強化學習微調平台提供什麼？
Cloudflare 推出強化學習微調服務，結合 AI Gateway、Workers AI、容器沙盒與新增的訓練器，讓企業以自家資料訓練並重新部署專屬的 Clef 模型。
除了模型本身，Cloudflare 也把微調能力產品化。其強化學習平台沿用既有基礎設施：AI Gateway 負責擷取人工智能流量並建立資料集，Workers AI 產生模型推論結果，容器提供評分與重播代理動作的沙盒，新的訓練器則負責更新權重，最後把微調後的模型重新部署回 Workers AI。
這套流程的意義，在於把通用模型轉為專屬模型。官方表示，內部團隊擁有多年累積的標註決策資料，可用來訓練更貼合特定場景的分類器，例如信任與安全審核或客服分流。微調通常會犧牲部分通用表現，換取特定領域更高的準確度與速度，這正是企業願意為此付費的原因。
出處連結有哪些？
本文資訊整理自 Cloudflare 官方部落格的 Clef 發布公告，模型授權、基準數據與微調服務內容均以官方公布為準。
完整的技術說明、基準表格與程式範例，可於下列來源查閱：
- Introducing Clef: our open-source decision models, and new RL fine-tuning platform — Cloudflare Blog
- Clef 模型權重 — Hugging Face
延伸閱讀可參考本站對 OpenAI 決策 API 模型 Jev 的整理。
常見問題有哪些？
以下整理四個常見疑問，涵蓋授權、費用、與語言模型的分工及離線使用，答案以 Cloudflare 官方公告與公開資料為準。
Clef 是免費使用的嗎？
模型權重以 Apache 2.0 授權開源，可自行下載部署；透過 Workers AI 呼叫則依平台的用量計費，實際價格以 Cloudflare 官方公布為準。
它與大型語言模型有何不同？
大型語言模型能推理與生成文字，但輸出較不確定；Clef 專注在有限選項間給出結構化機率，適合需要穩定、快速判斷的流程。
可以自己微調 Clef 嗎？
可以。Cloudflare 提供強化學習微調服務，企業能以自家資料訓練專屬版本；官方先以工程團隊協作，其後再推出自助平台。
沒有網路也能運作嗎？
開源權重可下載後在本機執行；若使用 Workers AI 的託管版本，則需要網路連線，判斷在邊緣節點完成。
總結：Clef 適合什麼團隊？
Clef 適合需要大量即時判斷的代理團隊，例如威脅情報、客服分流與流量辨識；若追求開源、低延遲且可微調的決策層，值得優先評估。
Clef 的定位相當清楚：它不與大型語言模型競爭生成能力，而是承接代理流程中反覆出現的判斷工作。開源授權、邊緣託管與相容 Jev API 三項條件，讓它同時具備可驗證、低延遲與易遷移的特性，適合被當成基礎設施而非單一工具來評估。
對企業而言，是否採用取決於判斷任務的規模。當分類與路由的次數累積到一定量，延遲與一致性就會成為實際瓶頸，此時專門的決策模型能帶來明確回報；若判斷需求零散而多變，通用語言模型仍較靈活。兩者並用、各司其職，會是多數代理系統較務實的組合。