Pada 1 Oktober 2026, Cloudflare mengumumkan Clef dan Clef-flash, dua "model keputusan" sumber terbuka yang dikeluarkan di bawah lesen Apache 2.0. Model ini tidak menulis jawapan bebas. Ia membaca input, memilih daripada senarai jawapan yang anda tetapkan terlebih dahulu, dan memulangkan kebarangkalian bagi setiap pilihan. Clef-flash yang lebih ringan dibina di atas model Qwen 3.5 dengan 9 bilion parameter dan mempunyai masa tindak balas median 38.8 milisaat. Clef yang lebih tepat dibina di atas model Qwen 3.8 dengan 27 bilion parameter, dengan median 209.3 milisaat. Kedua-duanya tersedia di Workers AI, dan pemberatnya diterbitkan di Hugging Face untuk dihoskan sendiri.

Kebanyakan AI dalam khidmat pelanggan sebenarnya ialah klasifikasi: aduan atau pesanan? Segera atau tidak? Banyak pasukan menggunakan model sembang umum untuk tujuan ini dan mendapat jawapan yang lebih perlahan serta boleh berubah dari satu larian ke larian seterusnya.

Apakah Sebenarnya Model Keputusan

Cloudflare menyifatkan model keputusan sebagai model yang menghasilkan output berstruktur dan terhad "dengan murah, pantas dan konsisten". Ia membandingkannya dengan model bahasa besar, yang disifatkannya sebagai sebahagian besarnya tidak deterministik.

Menurut kad model di Hugging Face, anda menghantar satu "keadaan" yang menerangkan situasi, sebagai teks atau JSON, berserta imej atau video jika perlu, kemudian senarai soalan yang masing-masing mempunyai pilihan yang dibenarkan. Model memulangkan kebarangkalian bagi setiap pilihan dan tidak menjana teks bebas. Cloudflare berkata kod anda menggunakan kebarangkalian ini untuk menghalakan tiket, mencetuskan eskalasi atau menyerahkan keputusan kepada manusia.

Angka Seperti yang Diterbitkan oleh Cloudflare

  • Keupayaan: tetingkap konteks 64k token menurut pengumuman (kad model menetapkan had input lalai 16,384 token, yang boleh diubah), dan kedua-dua versi boleh membaca dan mengklasifikasikan imej.
  • Kependaman median: 38.8 milisaat untuk Clef-flash dan 209.3 milisaat untuk Clef, berbanding 524.1 milisaat untuk Jev, model pesaing daripada Typesafe AI.
  • Ujian dalaman: dalam pasukan risikan ancaman Cloudflare, mengambil, memapar dan mengklasifikasikan sebuah laman web mengambil masa 2.2 saat dengan Clef, berbanding 4.7 saat dengan gpt-oss-120b, LLM umum terpantas pasukan itu, yang hanya memulangkan dua klasifikasi.
  • Permintaan paling perlahan: 95% permintaan selesai dalam 122.4 milisaat dengan Clef-flash dan dalam 238.6 milisaat dengan Clef.

Dalam CLINC150, ujian klasifikasi niat yang turut menyemak permintaan di luar skop, Clef mencatat skor 97.43 bagi macro-F1 berbanding 66.77 untuk Clef-flash. Dalam BANKING77, yang meliputi pertanyaan pelanggan bank, kedua-duanya hampir sama: 94.20 berbanding 90.93, dan dalam API-Bank Clef-flash mendahului dengan ketepatan 93.11 berbanding 91.93. Itulah sebabnya Cloudflare menggelar Clef sebagai model ketepatannya dan Clef-flash sebagai pilihan yang lebih sesuai untuk keputusan yang kritikal dari segi kependaman. Jurang terbesar muncul apabila permintaan di luar skop mesti dikesan.

Di Mana Ini Membantu Perniagaan Saudi

Kes penggunaan yang dinamakan oleh Cloudflare termasuk menghalakan tiket sokongan mengikut tahap kesegeraan dan pasukan, mengklasifikasikan domain laman web untuk pasukan risikan ancamannya, dan membezakan bot baik daripada bot jahat, manakala pemprosesan invois dan insiden keselamatan muncul dalam ujiannya. Dalam sebuah perniagaan Saudi, ia kelihatan begini:

  • Penapisan WhatsApp: setiap mesej serta-merta diklasifikasikan sebagai pesanan, aduan, pertanyaan harga atau spam, kemudian dihantar kepada pekerja yang betul.
  • Tiket sokongan: menetapkan tahap kesegeraan dan jabatan yang bertanggungjawab sebelum mana-mana pekerja membuka tiket.
  • Dokumen dalam ERP: mengenal pasti jenis dokumen yang masuk, sama ada invois pembekal, pesanan pembelian atau nota kredit, dan menghantarnya ke laluan yang betul.
  • Melindungi borang dan kedai: mengesan pendaftaran dan pesanan automatik pada borang hubungan dan kedai e-dagang.

Menjalankannya pada Pelayan Sendiri Mengekalkan Data di Dalam Kerajaan Arab Saudi

Ciri paling penting bagi pasaran Saudi bukanlah kelajuan. Yang penting ialah pemberat model telah diterbitkan dan boleh dijalankan di dalam Kerajaan Arab Saudi. Mesej pelanggan dan invois pembekal mengandungi data peribadi dan komersial, dan Undang-undang Perlindungan Data Peribadi (PDPL) mengenakan kawalan ke atas pemindahan data peribadi ke luar Kerajaan Arab Saudi. Model yang berjalan di pusat data tempatan mengelakkan persoalan pemindahan rentas sempadan bagi tugas klasifikasi, manakala kewajipan lain di bawah undang-undang itu masih terpakai. Kad model menyatakan ia diuji pada satu GPU H200, jadi rancang perkakasan anda lebih awal.

Had yang Perlu Diketahui Sebelum Bermula

  • Bahasa Arab tidak disebut: pengumuman mahupun kad model tidak menyenaraikan bahasa yang disokong. Uji ia pada mesej sebenar berbahasa Arab dalam dialek Saudi.
  • Tiada harga dalam pengumuman: Cloudflare tidak menerbitkan kos penggunaan kedua-dua model di Workers AI dalam catatan blognya, jadi semak halaman harga sebelum menganggarkan kos.
  • Penyesuaian belum lagi layan diri: menala model mengikut data anda dengan pembelajaran pengukuhan pada masa ini dilakukan melalui pasukan jurutera Cloudflare, dan platform layan diri akan menyusul kemudian.

Cara Membina Sistem Dengannya, Langkah demi Langkah

  • Inventori keputusan anda: cari setiap soalan dalam sistem anda yang mempunyai jawapan terhad.
  • Kumpul sampel sebenar: mesej dan tiket lepas yang diklasifikasikan secara manual oleh kakitangan anda.
  • Bandingkan tiga pilihan: Clef-flash, Clef dan penyelesaian semasa anda, dari segi ketepatan dan masa tindak balas.
  • Tetapkan ambang keyakinan: jika kebarangkalian pilihan teratas tinggi, sistem bertindak secara automatik; jika rendah, kes itu diserahkan kepada pekerja.
  • Bahagikan kerja: model keputusan memilih laluan, dan model bahasa besar menulis balasan hanya apabila perlu.

Di Origami, kami menggunakan corak ini semasa membina sistem khidmat pelanggan dan automasi proses: model kecil membuat keputusan, model besar menulis, dan pekerja menyemak kes yang tidak jelas. Model Clef memudahkan bahagian pertama, dan bahagian itu boleh kekal di dalam Kerajaan Arab Saudi.

Sumber