Cloudflare 推出 Clef 決策模型，以邊緣運算速度實現 AI Agent 行動自動化

Cloudflare 釋出以 Qwen 為基礎打造的兩款開源決策模型 Clef 與 Clef-flash，能針對預設選項輸出機率，最快僅需 39 毫秒。

Cloudflare 發表了 Clef 與 Clef-flash 兩款專門的決策模型，旨在簡化 AI Agent（人工智慧代理）評估資料與執行工作流程的方式。這些模型專為預設的選擇題選項賦予機率值而設計，而非生成開放式文字，期望透過讓下游系統自動觸發後續動作，消除 Agent 運作流程中的人工瓶頸。

這次發表讓 Cloudflare 直接與 TypeSafe AI 於 9 月中旬開創此概念的 Jev 模型，以及 OpenAI 基於 GPT-6 Luna 的 Decisions API 展開競爭。為了降低採用門檻，Cloudflare 讓 Clef 的 API 完全相容於 Jev。

縮小分類器與大型語言模型之間的差距

決策模型鎖定的是 Agent 架構中一項特定的結構性挑戰。傳統大型語言模型（LLM）雖然擅長推理與工具調用，但其回應往往具不確定性、容易產生幻覺且延遲較高；相較之下，傳統機器學習分類器運行迅速，但每當引入新類別時就必須專門重新訓練。

Clef 彌補了兩者間的鴻溝，只需單次呼叫就能針對多個預設問題評估輸入內容，並為每個候選選項回傳信賴度機率。舉例來說，在客戶服務情境中，Clef 可以評估進線的諮詢內容、衡量緊急程度、判斷應對的團隊，並輸出明確的機率值。接著，下游程式碼便能自動分派工單、觸發警示，或者在信賴度低於特定門檻時將案件呈報給真人專員處理。

Cloudflare 指出，這種程度的可靠性意味著「在 Agent 的決策過程中，不再必然需要人類介入（Human-in-the-loop）」。

架構、基準測試與邊緣運算速度

該系列的兩款模型皆建構於開放權重（open-weight）的 Qwen 基底之上：主力的 Clef 模型採用 Qwen3.8-27B，而 Clef-flash 則採用 Qwen3.5-9B。Cloudflare 在訓練期間保持核心基礎權重不變，而是使用專有的合成資料來訓練專門的輔助組件，直接從模型的內部激活（activations）狀態中擷取校準後的機率值。

訓練過程融合了 Cloudflare 自行改良的「校準決策強化學習」（Reinforcement Learning for Calibrated Decisions，RLCD）——該方法最初由 TypeSafe AI 所採用。此外，Clef 還引入多模態支援，可同時處理文字與圖像，並具備 64,000 個 token 的上下文視窗（Context Window），容量是 Jev 的兩倍。

在 Cloudflare 分散式邊緣基礎架構上展現的速度是其主要優勢：

Clef-flash 的中位數回應延遲約為 39 毫秒。

Clef 的中位數回應延遲大約為 209 毫秒。

相較之下，TypeSafe AI 的 Jev 則略高於 524 毫秒。

在 Cloudflare 針對 43 項基準測試的內部評估中，Clef-flash 以極少的回應時間實現了與 Jev 相當的準確度，而 Clef 則在整體決策品質上拔得頭籌。在 API Bank 基準測試中，Clef-flash 獲得 93.11 分、Clef 獲得 91.93 分，而 Jev 僅為 88.19 分；在 PhishNChips 上，Clef 取得 79.60 分，Clef-flash 拿下 75.05 分，皆優於 Jev 的 62.55 分；在 When2Call 基準測試中，Jev 則以 80.97 分維持領先，Clef 為 72.37 分，Clef-flash 為 65.58 分。

在 Cloudflare 資安威脅情報團隊的內部測試中，Clef 擷取、渲染並分類一個網站——評估釣魚攻擊機率等風險因子——僅耗時 2.2 秒。相較之下，該公司最快的通用大型語言模型執行相同任務需耗費 4.7 秒，且回傳的分類數量更少。