Cloudflare, 1 Ekim 2026'da Apache 2.0 lisansıyla yayımlanan iki açık kaynaklı "karar modeli" olan Clef ve Clef-flash'ı duyurdu. Model serbest biçimli bir yanıt yazmaz. Girdiyi okur, önceden tanımladığınız bir yanıt listesinden seçim yapar ve her seçenek için bir olasılık döndürür. Daha hafif olan Clef-flash, 9 milyar parametreli bir Qwen 3.5 modeli üzerine kuruludur ve medyan yanıt süresi 38,8 milisaniyedir. Daha isabetli olan Clef ise 27 milyar parametreli bir Qwen 3.8 modeli üzerine kuruludur ve medyanı 209,3 milisaniyedir. Her ikisi de Workers AI'da kullanılabilir ve ağırlıkları kendi sunucunuzda barındırmanız için Hugging Face'te yayımlanmıştır.

Müşteri hizmetlerindeki yapay zekânın büyük kısmı aslında sınıflandırmadır: şikâyet mi, sipariş mi? Acil mi, değil mi? Pek çok ekip bunun için genel bir sohbet modeli kullanıyor ve çalıştırmadan çalıştırmaya değişebilen daha yavaş yanıtlar alıyor.

Karar modeli aslında nedir

Cloudflare karar modelini, sınırlı ve yapılandırılmış çıktıları "ucuz, hızlı ve tutarlı" biçimde üreten bir model olarak tanımlıyor. Bunu, büyük ölçüde deterministik olmayan diye nitelediği büyük dil modelleriyle karşılaştırıyor.

Hugging Face'teki model kartına göre, durumu anlatan bir "durum" bilgisini metin veya JSON olarak, gerekirse görsel ya da videoyla birlikte gönderirsiniz, ardından her biri izin verilen seçeneklere sahip bir soru listesi iletirsiniz. Model her seçenek için bir olasılık döndürür ve serbest metin üretmez. Cloudflare, kodunuzun bu olasılıkları talebi yönlendirmek, bir üst seviyeye aktarmayı tetiklemek veya kararı bir insana bırakmak için kullandığını söylüyor.

Cloudflare'in yayımladığı rakamlar

  • Yetenekler: duyuruya göre 64k token'lık bir bağlam penceresi (model kartı, değiştirilebilen 16.384 token'lık varsayılan bir girdi sınırı belirliyor) ve her iki sürüm de görselleri okuyup sınıflandırabiliyor.
  • Medyan gecikme: Clef-flash için 38,8 milisaniye ve Clef için 209,3 milisaniye; buna karşılık Typesafe AI'ın rakip modeli Jev için 524,1 milisaniye.
  • Dahili test: Cloudflare'in tehdit istihbaratı ekibinde bir web sitesini getirmek, işlemek ve sınıflandırmak Clef ile 2,2 saniye sürdü; ekibin en hızlı genel LLM'i olan gpt-oss-120b ile ise 4,7 saniye sürdü ve bu model yalnızca iki sınıflandırma döndürdü.
  • En yavaş talepler: taleplerin %95'i Clef-flash ile 122,4 milisaniye içinde, Clef ile 238,6 milisaniye içinde tamamlanıyor.

Kapsam dışı talepleri de kontrol eden bir niyet sınıflandırma testi olan CLINC150'de Clef, Clef-flash'ın 66,77 puanına karşı 97,43 macro-F1 aldı. Banka müşterilerinin sorularını kapsayan BANKING77'de ikisi birbirine yakındı: 94,20 karşısında 90,93; API-Bank'te ise Clef-flash 91,93 karşısında 93,11 doğrulukla öne geçti. Cloudflare'in Clef'i hassasiyet modeli, Clef-flash'ı ise gecikmenin kritik olduğu kararlar için daha uygun seçenek olarak adlandırmasının nedeni bu. En büyük fark, kapsam dışı taleplerin yakalanması gerektiğinde ortaya çıkıyor.

Bunun Suudi işletmelerine faydası nerede

Cloudflare'in saydığı kullanım alanları arasında destek taleplerini aciliyete ve ekibe göre yönlendirmek, tehdit istihbaratı ekibi için web sitesi alan adlarını sınıflandırmak ve iyi botları kötülerden ayırmak var; fatura işleme ve güvenlik olayları da testleri arasında yer alıyor. Bir Suudi işletmesinde bu şöyle görünür:

  • WhatsApp ön elemesi: her mesaj anında sipariş, şikâyet, fiyat sorusu veya spam olarak sınıflandırılır, ardından doğru çalışana gönderilir.
  • Destek talepleri: herhangi bir çalışan talebi açmadan önce aciliyeti ve sorumlu departmanı belirlemek.
  • ERP'deki belgeler: gelen belgenin türünü, ister tedarikçi faturası, ister satın alma siparişi, ister alacak dekontu olsun, tespit etmek ve doğru akışa göndermek.
  • Formları ve mağazaları korumak: iletişim formlarında ve e-ticaret mağazalarında otomatik kayıtları ve siparişleri yakalamak.

Kendi sunucularınızda çalıştırmak verileri Krallık içinde tutar

Suudi pazarı için en önemli özellik hız değil. Önemli olan, ağırlıkların yayımlanmış olması ve Krallık içinde çalıştırılabilmesi. Müşteri mesajları ve tedarikçi faturaları kişisel ve ticari veriler içerir; Kişisel Verilerin Korunması Kanunu (PDPL) da kişisel verilerin Krallık dışına aktarılmasına denetimler getirir. Yerel bir veri merkezinde çalışan bir model, sınıflandırma görevlerinde sınır ötesi aktarım sorusunu ortadan kaldırır; kanunun diğer yükümlülükleri ise geçerliliğini korur. Model kartı, modelin tek bir H200 GPU üzerinde test edildiğini belirtiyor; bu yüzden donanımınızı erkenden planlayın.

Başlamadan önce bilmeniz gereken sınırlar

  • Arapçadan söz edilmiyor: ne duyuru ne de model kartları desteklenen dilleri listeliyor. Suudi lehçesindeki gerçek Arapça mesajlar üzerinde test edin.
  • Duyuruda fiyat yok: Cloudflare, blog yazısında iki modelin Workers AI üzerindeki kullanım maliyetini yayımlamadı; maliyet tahmini yapmadan önce fiyatlandırma sayfasını kontrol edin.
  • Özelleştirme henüz self-servis değil: modeli pekiştirmeli öğrenmeyle verilerinize göre ayarlamak şu anda bir Cloudflare mühendis ekibi üzerinden yürüyor; self-servis bir platform daha sonra gelecek.

Adım adım onunla nasıl sistem kurulur

  • Kararlarınızın envanterini çıkarın: sistemlerinizde yanıtları sınırlı olan her soruyu bulun.
  • Gerçek bir örnek toplayın: çalışanlarınızın elle sınıflandırdığı geçmiş mesajlar ve talepler.
  • Üç seçeneği karşılaştırın: Clef-flash, Clef ve mevcut çözümünüz; doğruluk ve yanıt süresi açısından.
  • Bir güven eşiği belirleyin: en yüksek seçeneğin olasılığı yüksekse sistem otomatik olarak harekete geçer; düşükse vaka bir çalışana gider.
  • İşi bölün: karar modeli yolu seçer, büyük dil modeli ise yanıtı yalnızca gerektiğinde yazar.

Origami'de müşteri hizmetleri ve süreç otomasyonu sistemleri kurarken bu kalıbı uyguluyoruz: küçük bir model karar verir, büyük bir model yazar ve bir çalışan belirsiz vakaları inceler. Clef modelleri ilk kısmı kolaylaştırıyor ve bu kısım Krallık içinde kalabiliyor.

Kaynaklar