クラウドフレア、新AIで音・映像・画像・文章をまとめて判断

Cloudflareは、Clef決定モデルファミリーの新しいオープンウェイトメンバーであるClef-omniをリリースしました。Clef-omniは、テキスト、画像、音声、動画を1回の呼び出しでスコアリングするCloudflareの決定モデルです。これは、元のClefとClef-flashのローンチから8日後の2026年10月9日に登場しました。同じアップデートにより、Clef-flashの価格はTypeSafeのJevを下回り、ホストされたClefは約2倍高速になりました。開発者にとって、これはマルチモーダルエージェントパイプラインが通常必要とする文字起こしとキャプション作成のステップを不要にします。TL;DR

サイズ: 合計30B、アクティブパラメータ3B（MoE）。Workers AI上で64,000トークンのコンテキスト。

動作環境: Workers AI上で@cf/cloudflare/clef-omniとして動作。自己ホスティングは単一のH200でテスト済み、bfloat16で約64GBのGPUメモリを使用。

パフォーマンス: ルーティングおよび意図タスクではClefに近いが、ほとんどの推論およびワークフロー評価ではClefに劣る。

最良: CLINC150+OOSで97.7のmacro-F1を達成し、4つのClefおよびJevモデルの中でトップ。

最悪: POP909-CLで2.6の精度、GPQA Diamondで47.4（Jevの78.3に対し）。

結論: 最良: 1回の呼び出しで4つのモダリティを横断して決定。最悪: 難しい推論ではテキストに特化したClefよりも精度が低い。

決定モデルとは？

決定モデルは、生成されたテキストではなく、確率を伴う型付きの回答を返します。状態と質問のスキーマを送信すると、モデルは許可されたすべてのオプションに対して確率を返します。Clefは3つの質問タイプをサポートしています: noul（真偽）、choice、およびscore。形式はTypeSafe AIのJevおよびSystemOne APIに準拠しています。

Clef-omniはどのように機能しますか？

Clef-omniはQwen3-Omni-30B-A3B-Instructから後続学習されています。Cloudflareは理解のバックボーンを保持し、テキスト読み上げ出力パスを削除しています。モデルはペイロード全体に対して単一のprefillパスを実行します。動画フレームと音声は共同処理のために1つのシーケンスに同期されます。小さな共同スキーマヘッドがオプションをスコアリングします。各有効なオプションはまず入力から証拠を収集します。その後、フィールドベクトルは完全なコンテキスト全体でcross-attendし、信頼度スコアを計算します。CloudflareはQwen3バックボーンを凍結し、LoRA adaptersをトレーニングしました。トレーニング