Cloudflare開源Clef決策模型，主打快速判斷並整合Workers AI

Cloudflare推出Clef與Clef-flash兩款開源 decision model，整合至Workers AI，主打以更低延遲完成分類、路由與下一步決策，適合 AI agent 工作流程。

事件說明

Cloudflare 近期開源 Clef 與 Clef-flash 兩款 decision model，並已整合至 Workers AI，可直接供開發者呼叫使用，同時以 Apache 2.0 授權開放模型權重。兩款模型也提供與 Jev 相容的程式介面，讓既有採用 Jev 的應用較容易遷移。來源

這次發布的定位相當明確：Clef 不是用來產生長篇文字的 generative model，而是專注在 AI agent 的分類、判斷與下一步動作選擇。Cloudflare 同步說明，Clef 與 Clef-flash 也可從 Hugging Face 取得模型權重自行部署，並開始提供模型微調服務，未來還規劃讓客戶以自助方式完成資料準備、微調與重新部署。來源

技術分析

決策模型與一般 LLM 的核心差異，在於輸出形態與推論流程。一般 LLM 會逐步生成文字，適合對話、摘要與工具操作；Clef 則先讀取輸入，再直接對預先定義的答案集合計分，輸出符合格式的決策結果與各選項機率，因此更適合結構化判斷。來源

Cloudflare 公布的設計重點包括多模態輸入、64K context，以及與 Jev 類似的 typed questions 工作模式。依官方資料，Clef 可讀取文字、JSON、圖片或影片，並回傳每個允許選項的機率；Clef-flash 則強調速度，適合延遲敏感的自動化流程。來源

在模型基礎上，Cloudflare 表示 Clef 與 Clef-flash 分別以 Qwen3.8-27B 與 Qwen3.5-9B 為基礎，再針對 decision task 進行訓練。其關鍵優勢在於推論方式不同於生成式模型，因為模型不需要先產生一段文字再由系統解析，而是直接對候選答案做評分，這使得分類與路由類工作能大幅縮短處理時間。來源

Cloudflare 公布的 43 項評測結果顯示，Clef 的中位延遲為 209.3 毫秒，Clef-flash 為 38.8 毫秒，Jev 為 524.1 毫秒。這代表在需要快速判斷的代理式流程中，Clef 系列可顯著壓縮等待時間，但同時也不能忽略不同測試項目中的準確度差異，因為部分測試仍由 Jev 取得較高成績。來源

從工程角度看，這類模型最適合被嵌入客服分流、工單優先級判定、風險標記、流程決策與資料審核等場景。其價值不在生成能力，而在穩定輸出可直接被系統消化的結構化結果，進而減少人工介入。來源

影響範圍

對使用 Cloudflare Workers AI 的團隊而言，Clef 的導入門檻相對低，因為可直接透過平台呼叫，不必自行建置完整模型推論環境。對已有 Jev 介面整合的系統來說，相容介面也降低了切換成本。來源

對 AI agent 開發者而言，這代表決策層可以從大型生成模型中拆分出來，形成更清楚的職責分工。大型語言模型負責理解、生成與工具調用，決策模型則負責分類、路由與下一步選擇，整體可降低流程中的不確定性。來源

對安全與營運團隊而言，這類模型有機會用於告警分流、事件嚴重度判定與案件升級規則，但也意味著組織需要更嚴謹地設計輸入格式、答案集合與人工覆核邏輯，否則決策錯誤會直接影響後續處置。來源

此外，Cloudflare 同步釋出微調服務，顯示其不只提供模型本體，也試圖進一步切入企業客製化決策流程。這會讓模型更貼近各產業情境，但同時也提高了資料品質與標註一致性的要求。來源

防護建議

若組織考慮導入 Clef，第一步應先將決策範圍明確化，避免讓模型處理超出答案集合的問題。輸入欄位、可選答案與失敗回退機制都應事先定義，確保模型只在可控範圍內做判斷。來源

第二步應建立人工覆核條件，特別是高風險案件、低信心輸出或關鍵流程節點，不能完全依賴模型自動決策。若模型無法確定，應保留轉人工處理的路徑，以降低誤判成本。來源

第三步應針對資料來源進行驗證，尤其是圖片、文字與 JSON 混合輸入時，要防範垃圾資料、格式污染與惡意誘導內容。對於客服、工單與告警系統，建議先做欄位標準化，再交由決策模型處理。來源

第四步應將模型評估拆成延遲、準確度與失敗率三個層面，不可只看速度。Cloudflare 公布的結果已顯示，不同測試下的領先者可能不同，因此在真實環境中更需要以自家資料進行驗證。來源

第五步應檢查供應鏈與部署路徑。若採用 Workers AI，需確認權限控管、日誌留存與 API 存取策略；若採用 Hugging Face 自行部署，則應同步檢查模型權重、版本管理與更新流程，避免未授權變更影響決策品質。來源

5步驟修補清單

  1. 盤點目前所有 AI agent 決策點，確認哪些流程可改用 decision model。
  2. 為每個任務定義固定答案集合、輸入格式與失敗回退規則。
  3. 替高風險案件加入人工覆核，避免模型直接做最終判定。
  4. 以自家資料進行準確度與延遲測試，檢查是否真的優於既有方案。
  5. 建立權限、日誌與模型版本控管，確保 Workers AI 或自架部署一致可追溯。

參考資料

  • ITNEWS ISC：Cloudflare開源Clef決策模型，主打快速判斷並整合Workers AI
  • Cloudflare Developers Changelog：Introducing Clef
  • Cloudflare Blog：open-source decision models
  • Cloudflare AI Docs：clef
  • The Register：Cloudflare tries to outplay Jev with open-weight Clef models

更多資安新聞