Cloudflare 发布了 Clef-omni，这是一款可直接接收音频和视频的 30B-A3B 决策模型（采用 Apache-2.0 许可证，基于 Qwen3-Omni）

Cloudflare 刚刚为其 Clef 决策模型系列新增了一个多模态模型。Clef 1 才发布了 8 天。它是什么：一个决策模型，而非大语言模型。你发送一个状态以及带类型的问题（noul / choice / score）。它在单次前向传播中返回每个选项的概率。不生成文本，也无需解析输出。它与 TypeSafe 的 Jev API 兼容。架构：基于 Qwen3-Omni-30B-A3B-Instruct 进行后训练（总参数量 300 亿，激活参数量 30 亿）保留 thinker 及其视觉和音频编码器；发布的权重中包含 talker 和 code2wav，但它们并未被使用 一个小型联合 schema 头将证据分配到各个选项，然后执行跨字段注意力 使用冻结的骨干网络和 LoRA，以标签平滑交叉熵加 Brier 损失进行训练 输入（Workers AI）：最多 4 张图片、4 段音频（WAV/MP3，每段 300 秒）和 2 段视频（MP4/WebM，每段 60 秒）托管服务的上下文长度为 64,000 个 token 音频每分钟消耗约 780 个 token；480p 视频每分钟约 8,600 个 token 基准测试（Cloudflare 自行运行）：Clef-omni Clef Clef-flash Jev BANKING77 94.8 94.20 90.93 79.74 CLINC150+OOS 97.7 97.43 66.77 89.27 When2Call 63.3 72.37 65.58 80.97 GPQA Diamond 47.4 48.0 51.0 78.3 同一次更新中的其他变化：Clef-flash 的输入价格现为每百万 token 0.038 美元（此前为 0.09 美元），但托管服务的上下文长度降至 24k。自行托管时，其权重仍支持 256k。在约 800 个 token 的情况下，托管 Clef 的延迟中位数从 262 毫秒降至 152 毫秒。Cloudflare 通过迁移到 SGLang（PR #42721）实现了这一改进，而非采用新权重。Clef-omni 在意图路由方面表现出色，但在侧重推理的评测中弱于文本版 Clef。有人已经用真实的语音留言或来电分流数据测试过它了吗？我很好奇，跳过 ASR（自动语音识别）步骤的做法在基准测试之外是否依然有效。完整分析：https://www.marktechpost.com/2026/10/11/cloudflare-clef-omni-multimodal-decision-model/ HF：https://huggingface.co/Cloudflare/clef-omni 技术细节：https://blog.cloudflare.com/clef-faster-cheaper-multimodal/