Bemutatta a Clef-omni modellt a Cloudflare, egyszerre dolgozza fel a szöveget, képet és hangot

A Cloudflare bemutatta a Clef-omni modellt, amely egyetlen API-hívással képes négyféle adatot – szöveget, képet, hangot és videót – feldolgozni. A modell a Qwen3-Omni-30B-A3B-Instruct alapjaira épül, és 30 milliárd paraméterrel rendelkezik, ebből 3 milliárd aktív a Mixture-of-Experts (MoE) architektúrának köszönhetően. A Clef-omni a Cloudflare Workers AI platformján fut, és önállóan is telepíthető NVIDIA H200 GPU-n, nagyjából 64 GB GPU memóriával. (MarkTechPost)

A Clef-omni a Cloudflare döntési modell családjának új tagja, amely a korábbi modellekhez hasonlóan típusos válaszokat ad, valószínűségekkel, ahelyett, hogy szabadon generált szöveget állítana elő. A modell képes a beérkező adatokat elemezni, és a megadott kérdésekre vonatkozóan valószínűségi pontszámokat adni. A Cloudflare szerint a modell különösen hatékony az intent-feladatoknál, ahol a BANKING77 teljesítményteszten 94,8%-os, a CLINC150+OOS teszten pedig 97,7%-os macro-F1 pontszámot ért el.

Teljesítmény és korlátok

A Clef-omni a Cloudflare belső tesztjei alapján jól teljesít az intent-feladatokon, de nehezebb érvelési és munkafolyamat-értékelési feladatokon elmarad a csak szöveget feldolgozó Clef modelltől. Például a POP909-CL teszten 2,6%-os, a GPQA teszten pedig 47,4%-os pontszámot ért el, míg a Jev modell 78,3%-ot. Az otthoni készülékekkel kapcsolatos feladatoknál 69,3%-os pontszámot produkált, szemben a Clef-flash 97,7%-os eredményével.

Árazás és elérhetőség

A Clef-omni modell ára 0,15 dollár egymillió bemeneti tokenre. A Cloudflare emellett csökkentette a Clef-flash árát is 0,038 dollárra egymillió tokenre, ami alacsonyabb, mint a TypeSafe AI Jev modelljének 0,042 dolláros ára. A Cloudflare Workers AI platformon a modell @cf/cloudflare/clef-omni néven érhető el, 64 000 tokenes kontextusablakkal. A Cloudflare közölte, hogy a modell tesztelése NVIDIA H200 GPU-n történt, mintegy 64 GB GPU memóriával.

Sebességfejlesztések

A Cloudflare frissítette a hosztolt Clef modell teljesítményspektrumát is, miután áttette azt SGLang-ra és optimalizálta a kiszolgáló stack-jét. Ennek eredményeként a modell átlagos válaszideje 1,7-szeresére, illetve 2-szeresére gyorsult a különböző tokenmennyiségek esetén. A 21 másodperces videók feldolgozása körülbelül 1,5 másodpercet vesz igénybe, míg a képfeldolgozás átlagosan 150 ms, a szöveges döntések pedig 130 ms alatt készülnek el.