Cloudflare presenta los modelos de decisión Clef para automatizar acciones de agentes de IA a velocidades de edge

Cloudflare ha presentado Clef y Clef-flash, dos modelos de decisión especializados y diseñados para optimizar la forma en que los agentes de IA evalúan datos y ejecutan flujos de trabajo. Concebidos para asignar probabilidades a opciones predefinidas de selección múltiple en lugar de generar texto libre, los modelos buscan eliminar los cuellos de botella humanos en los pipelines agénticos al permitir que los sistemas posteriores activen acciones automáticamente.

El lanzamiento sitúa a Cloudflare en competencia directa con el modelo Jev de TypeSafe AI, pionero en este concepto a mediados de septiembre, así como con la API Decisions de OpenAI basada en GPT-6 Luna. Para facilitar su adopción, Cloudflare ha hecho que la API de Clef sea totalmente compatible con Jev.

Cerrando la brecha entre clasificadores y LLM

Los modelos de decisión abordan un desafío estructural específico en las arquitecturas agénticas. Mientras que los modelos de lenguaje grandes (LLM) tradicionales destacan en razonamiento y ejecución de herramientas, sus respuestas son propensas a la variación, las alucinaciones y una latencia elevada. Por el contrario, los clasificadores tradicionales de aprendizaje automático se ejecutan con rapidez, pero requieren un reentrenamiento dedicado cada vez que se introduce una nueva categoría.

Clef cierra esta brecha evaluando una entrada a través de múltiples preguntas predefinidas en una sola llamada, devolviendo probabilidades de confianza para cada opción candidata. En un escenario de atención al cliente, por ejemplo, Clef puede evaluar una consulta entrante, medir su urgencia, determinar el equipo adecuado y emitir probabilidades claras. Luego, el código posterior puede enrutar automáticamente el ticket, disparar una alerta o escalar el caso a un operador humano si la confianza cae por debajo de un umbral determinado.

Según Cloudflare, este grado de confiabilidad significa que «un humano ya no necesita necesariamente estar en el bucle para las decisiones agénticas».

Arquitectura, benchmarks y velocidad en el edge

Ambos modelos de la familia están construidos sobre bases de pesos abiertos de Qwen: el modelo principal Clef utiliza Qwen3.8-27B, mientras que Clef-flash se apoya en Qwen3.5-9B. Cloudflare mantiene intactos los pesos base principales durante el entrenamiento; en su lugar, utiliza datos sintéticos propietarios para entrenar componentes auxiliares especializados que extraen probabilidades calibradas directamente de las activaciones internas del modelo.

El entrenamiento incorpora la propia variante de Cloudflare de Reinforcement Learning for Calibrated Decisions (RLCD), el método utilizado originalmente por TypeSafe AI. Clef también introduce soporte multimodal, aceptando tanto texto como imágenes, y cuenta con una ventana de contexto de 64.000 tokens, el doble de la capacidad de Jev.

La velocidad a través de la infraestructura distribuida de edge de Cloudflare actúa como el principal factor diferenciador:

• Clef-flash registra una latencia de respuesta mediana de aproximadamente 39 milisegundos.

• Clef alcanza una latencia de respuesta mediana de unos 209 milisegundos.

• En comparación, Jev de TypeSafe AI se sitúa en algo más de 524 milisegundos.

En las evaluaciones internas de Cloudflare en 43 benchmarks, Clef-flash logró una precisión comparable a la de Jev a una fracción de su tiempo de respuesta, mientras que Clef lideró la calidad general de decisión. En el benchmark API Bank, Clef-flash obtuvo una puntuación de 93,11 y Clef alcanzó 91,93, en comparación con el 88,19 de Jev. En PhishNChips, Clef registró 79,60 y Clef-flash obtuvo 75,05, superando el 62,55 de Jev. En el benchmark When2Call, Jev conservó una ventaja con 80,97 frente al 72,37 de Clef y el 65,58 de Clef-flash.

En pruebas internas realizadas por el equipo de inteligencia de amenazas de Cloudflare, Clef obtuvo, renderizó y clasificó un sitio web —evaluando factores de riesgo como probabilidades de phishing— en 2,2 segundos. El LLM de propósito general más rápido de la compañía tardó 4,7 segundos en completar la misma tarea, devolviendo además menos categorías.

Ajuste fino empresarial y lanzamiento abierto

Tanto Clef como Clef-flash han sido publicados en Hugging Face bajo la licencia de código abierto Apache-2.0 y son accesibles en la plataforma serverless Workers AI de Cloudflare.

Junto a los modelos, Cloudflare está implementando un servicio de aprendizaje por refuerzo que permite a las organizaciones adaptar Clef a tareas personalizadas. Inicialmente ofrecido mediante ingenieros de campo dedicados (forward-deployed engineers), el flujo de trabajo se expandirá con el tiempo hacia un pipeline de autoservicio:

1. Las solicitudes de tráfico de producción se registran a través de AI Gateway de Cloudflare.

1. Las interacciones registradas se evalúan en sandboxes en contenedores.

1. Los pesos personalizados se entrenan y se vuelven a desplegar directamente en Workers AI, utilizando la infraestructura de Replicate, empresa que Cloudflare adquirió a finales de 2025.

Cloudflare tiene previsto utilizar los modelos Clef de forma interna para clasificar mensajes de soporte al cliente, evaluar reportes automatizados de abuso y distinguir rastreadores web benignos de bots automatizados maliciosos.