AI News
Alle Meldungen
Berichtet

Cloudflare veröffentlicht Decision Models, darunter das Open-Weights-Modell Clef

Cloudflare hat eigene Decision Models veröffentlicht, darunter Clef, ein Open-Weights-Modell, das kostenlos auf Hugging Face zum Download bereitsteht.

Modelle · · Aktualisiert · 4 Min. Lesezeit

Cloudflare hat eigene Decision Models veröffentlicht: Clef und das kleinere Clef-flash, beide gehostet auf Workers AI. Die Gewichte von Clef stehen zudem unter der Apache-2.0-Lizenz kostenlos auf Hugging Face zum Download bereit. Im Blogbeitrag des Unternehmens vom 1. Oktober 2026 werden die beiden Modelle als Jev-kompatible Alternativen zum Modell von TypeSafe AI präsentiert. Das Startup hatte Jev im September auf den Markt gebracht, inzwischen gibt es eine Welle von Nachahmern.

Ein Decision Model nimmt eine Eingabe entgegen, etwa eine Support-Anfrage, eine E-Mail oder eine Webseite, und beantwortet einen festen Satz von Fragen. Jede Antwort ist eine von mehreren vordefinierten Optionen und wird mit einer Wahrscheinlichkeit ausgegeben. Der Cloudflare-Blog illustriert das an einem Support-Ticket: Das Modell gibt zurück, ob eine Nachricht dringend ist und welches Team sie bearbeiten soll, und der aufrufende Code nutzt diese typisierten Antworten, um das Ticket weiterzuleiten oder an einen Menschen zu eskalieren. Laut Blog bietet Clef zwei Dinge, die Jev fehlen. Zum einen hat es einen Vision-Encoder, der Bilder klassifizieren kann. Das kann Jev nicht, da es nur Text verarbeitet. Zum anderen hat es ein Kontextfenster von 64k Token, gegenüber 32k bei Jev.

Der Mechanismus erklärt den Geschwindigkeitsvorteil. Ein herkömmliches LLM schreibt seine Antwort Token für Token, wobei jedes neue Token von allem Vorherigen abhängt. Michelle Chen, Group Product Manager bei Cloudflare, beschreibt den Unterschied so: „Unsere Decision Models machen das nicht.“ Laut Blog führt Clef einen reinen Prefill-Durchlauf über die Eingabe aus und bewertet anschließend alle gültigen Schema-Optionen parallel, sodass kein Zwischentext entsteht. Die Model Card auf Hugging Face beschreibt Clef als multimodales 27B-Modell auf Basis von Qwen/Qwen3.8-27B, mit einem kleinen gemeinsamen Head, der für jede Frage pro zulässiger Option einen Logit ausgibt. Ein Softmax über diese Logits liefert die Wahrscheinlichkeiten. Laut Model Card gibt es weder freie Textgenerierung noch Output-Parsing.

Aus derselben Einschränkung leitet TypeSafe AI die Aussage ab, Jev könne nicht halluzinieren. Das Modell kann nur aus den vorgegebenen Optionen wählen und daher keine erfundene Antwort produzieren. Ramayya Krishnan von der Carnegie Mellon University mahnt allerdings: „Halluzinationen in der Ausgabe auszuschließen, schließt Fehler bei der Entscheidungsfindung nicht aus.“ In den Tests seiner Gruppe schnitt Jev gut ab, wenn sich die Antwort direkt aus dem Prompt ablesen ließ. Bei Fragen, die Mathematik oder ein Logikrätsel erforderten, sank die Genauigkeit.

Die Latenzwerte stammen aus Cloudflares eigenen Messungen. Der Blog nennt einen Median von 209,3 ms für Clef, 38,8 ms für Clef-flash und 524,1 ms für Jev. Beim 95. Perzentil liegen die Werte bei 238,6, 122,4 und 536,0 ms. Chen nannte ein praxisnäheres Beispiel aus Cloudflares Threat-Intelligence-Team, das Clef nutzt, um Website-Domains nach Kategorie und Phishing-Risiko zu klassifizieren. Abrufen, Rendern und Klassifizieren einer Website dauerte dabei 2,2 Sekunden. gpt-oss-120b, laut Cloudflare das schnellste allgemeine LLM des Unternehmens, brauchte 4,7 Sekunden und lieferte nur zwei Klassifizierungen. Verglichen wird hier mit einem LLM, nicht mit Jev.

Im Decision Index erreicht Clef bei der BFCL Case Exact Accuracy 98,5 gegenüber 95,8 bei Jev und beim CLINC150+OOS Macro-F1 97,4 gegenüber 89,3. Bei mehreren Tests zu Allgemeinwissen und Reasoning liegt allerdings Jev vorn: MMLU-Pro 65,9 für Clef gegenüber 82,7 für Jev, BBH 73,7 gegenüber 92,9 und GPQA Diamond 48,0 gegenüber 78,3. In Cloudflares Evaluation mit vier Workflows aus TypeSafe Evals schlug Clef Jev laut Blog in drei Bereichen und lag bei der Observability von Agenten-Traces zurück, mit 68,5 gegenüber 71,6. Laut der Model Card auf Hugging Face stammen die Decision-Index-Ergebnisse aus einem internen Durchlauf von Cloudflares eigener Testsuite.

Der zweite Hebel ist der Preis. Cloudflare listet Clef auf Workers AI mit 0,24 US-Dollar pro Million Input-Token, Output-Token sind kostenlos. Bilder werden in Input-Token umgerechnet, mit maximal 1.024 Token pro Bild. TypeSafe AI verlangt 0,042 US-Dollar pro Million Input-Token, auch dort ist der Output kostenlos. Jev ist pro Token also günstiger. Auf der Workers-AI-Seite ist außerdem ein Kontextfenster von 65.536 Token angegeben. Laut Blog liest und speichert Cloudflare Anfragen an seine gehosteten Modelle nicht und nutzt sie nicht zum Training, es sei denn, Kunden entscheiden sich aktiv für Fine-Tuning.

Clef hat eine Vorgeschichte. Laut Blog adaptierte Cloudflare bei seinen ersten Arbeiten an Decision Models das Modell DiffusionGemma so, dass es die Wahrscheinlichkeiten seiner Ausgaben offenlegt. Dieser erste Ansatz baute auf unabhängiger Forschung von Matt Mastracci auf. Clef übernimmt die Idee, nutzt aber Qwen als Basis. Cloudflare hat außerdem ein Fine-Tuning-Produkt auf Basis von Reinforcement Learning angekündigt, das zunächst über die Forward-Deployed Engineers des Unternehmens und später als Self-Service-Plattform angeboten werden soll.

Krishnans Gruppe testete auch einen hybriden Aufbau, bei dem Antworten von Jev mit geringer Konfidenz zur Überprüfung an GPT-6 gingen. Die Kombination schnitt etwas besser ab als GPT-6 allein und kostete 41 Prozent davon. Zhongyu Wei, Professor an der Fudan University und Mitautor eines Benchmarks für Decision Models, erwartet, dass sich dieses Design verbreitet: „Das Decision Model kann ein LLM aufrufen, um eine ausführlichere Erklärung zu liefern. Und ein LLM kann ein Decision Model für eine schnelle Einschätzung aufrufen. Ich halte das für sehr flexibel.“

Was sich ändert

Art: Neue Funktion · Betrifft: Clef, Clef-flash, Workers AI

Warum es wichtig ist

Mit Open-Weights-Decision-Models können Teams Klassifizierungen lokal ausführen, ohne für jede Aufgabe einen eigenen Klassifikator per Fine-Tuning trainieren zu müssen. Unternehmen, die Cloudflare-Dienste nutzen, könnten denselben Ansatz zudem in ihren eigenen Sicherheitswerkzeugen wiederfinden.

Was Sie tun können

Prüfen Sie Open-Weights-Decision-Models wie Clef für Triage-Aufgaben wie die Erkennung von Spam, Phishing oder Prompt Injection.

Wie sich die Meldung entwickelt hat

  1. Ergänzt, dass der Leiter der KI-Plattform von Cloudflare Clairic als separates Extraktionsmodell beschreibt, dass Clef in etwa zwei Wochen entwickelt wurde und dass Cloudflare Post-Training-Arbeiten und möglicherweise Reasoning oder weitere LLMs plant.

Originalquelle

Weitere Berichte

Wo wir es gesehen haben

2 Quellen

IEEE Spectrum, Latent Space

KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es