开发者过去要让机器判断一段带声音的视频，往往得先把语音转成文字、把画面拆成图片，再分别送进不同模型。现在这套流程可以压成一次调用：文字、图片、音频、视频一起交给同一个模型，官方实测一段 21 秒带声视频约 1.5 秒完成评分。模型权重已开放下载，可自行部署。
据 Cloudflare 当地时间 10 月 9 日发布的公告，这家公司推出了开放权重决策模型 Clef-omni，支持单次 API 调用处理文本、图像、音频和视频。该系列此前已有只支持文本、图像以及视频抽帧的版本 Clef，与其轻量版 Clef-flash 一起在上周发布。
多模态输入是这一版最大的变化。音频支持 wav、mp3 格式，视频支持 mp4、webm 格式，开发者无需另行搭建语音转写和音视频拆分流程。Clef-omni 属于决策模型而非生成式聊天模型，它不输出成段的文字，而是对开发者给定的候选选项逐一打分，例如判断设备铭牌在照片中是否可见、运转声音是否异常、视频里的风扇是否在转。
技术底座方面，Clef-omni 基于阿里千问 Qwen3-Omni 构建，采用 30B-A3B-Instruct 混合专家版本，保留了多模态理解能力，去掉了文本转语音输出部分。训练时 Cloudflare 冻结了千问主干，只训练低秩适配器。官方公布的响应时间为：纯文本约 130 毫秒，图像约 150 毫秒，带声的 21 秒视频约 1.5 秒。
价格与规格同步调整。Clef-flash 每百万输入 Token 的价格从 0.09 美元降到 0.038 美元，降幅约 58%，托管版上下文窗口从 64k 缩减到 24k；Cloudflare 表示自托管权重仍支持 256k，并称其观察到的请求中超过 24k 的仅占 0.24%。Clef 维持 0.24 美元每百万 Token 与 64k 上下文不变，迁到 SGLang 后中位延迟最高降低 2 倍。
在应用层面，Cloudflare 列出的内部用例包括：处理 GitHub 文档仓库里的垃圾 issue、为旗下 EmDash 内容管理系统的插件库做钓鱼链接审核、扫描个人信息、识别恶意域名。Clef 与 TypeSafe 的 Jev 模型保持 API 兼容，并通过 Cloudflare 的 AI Gateway 对外提供。
信息来源：IT之家
免责声明：本站转载的文章，版权归原作者所有；旨在传递信息，不代表本站的观点和立场。
