Cloudflare เปิดตัว Clef โมเดลการตัดสินใจแบบ Open-Weight

Cloudflare เปิดตัว Clef and Clef-flash ซึ่งเป็นโมเดลชุดแรกที่พัฒนาโดยทีม Workers AI ของบริษัท โดยออกแบบมาให้เป็น "โมเดลการตัดสินใจ" (Decision Models) ไม่ใช่แชทบอท โมเดลจะอ่านสถานะอินพุตและโครงสร้างคำถาม (Schema) เพื่อคืนค่าเป็นความน่าจะเป็นของแต่ละคำตอบแทนการสร้างข้อความอิสระ (Free-form text)

ทั้งสองรุ่นปล่อยออกมาในรูปแบบ Open-weight ภายใต้สัญญาอนุญาต Apache 2.0 และสามารถใช้งานร่วมกับ Jev API ของ TypeSafe AI ได้ ผู้ใช้งานสามารถรันโมเดลได้ทันทีบน Workers AI หรือดาวน์โหลดน้ำหนักโมเดล (Weights) จาก Hugging Face เพื่อนำไปโฮสต์เอง

สิ่งที่โมเดลการตัดสินใจทำ

ในขณะที่ LLM ทั่วไปจะสร้าง Token ทีละตัวและต้องนำผลลัพธ์ไปประมวลผลต่อ (Parsing) แต่โมเดลการตัดสินใจจะตอบเฉพาะชุดคำถามที่กำหนดไว้เกี่ยวกับอินพุตเท่านั้น โดย Clef รองรับประเภทคำถาม 3 รูปแบบ:

• noul: คำถามแบบ ใช่/ไม่ใช่ โดยจะคืนค่าความน่าจะเป็นของคำว่า "ใช่"
• choice: การเลือก 1 ตัวเลือกจากรายการที่กำหนด พร้อมระบุค่าความน่าจะเป็นและความเชื่อมั่น
• score: การให้คะแนนตามเกณฑ์ที่จัดลำดับไว้ โดยคืนค่าเป็นคะแนนถ่วงน้ำหนักด้วยความน่าจะเป็น

สำหรับการใช้งานบน Workers AI คำขอเพียงครั้งเดียวสามารถรองรับคำถามได้สูงสุด 64 คำถามและรูปภาพสูงสุด 4 รูป

ความเคลื่อนไหวนี้เกิดขึ้นหลังจาก TypeSafe AI เปิดตัว Jev โมเดล 'System One' รุ่นแรกเมื่อวันที่ 15 กันยายน 2026 ตามมาด้วยทางเลือกแบบเปิดอย่าง Kev-9B และ Laya เนื่องจาก Clef ใช้ API เดียวกัน การเปลี่ยนจาก Jev จึงทำได้ง่ายเพียงแค่เปลี่ยน Endpoint และชื่อโมเดลเท่านั้น

Clef ทำงานอย่างไร

Clef ได้รับการทำ Post-training มาจาก Qwen3.8-27B และ Clef-flash พัฒนามาจาก Qwen3.5-9B โดยทั้งคู่ยังคงใช้ Vision Encoder ของโครงสร้างหลัก (Backbone) เดิม

กระบวนการอนุมาน (Inference) แบ่งเป็น 2 ขั้นตอน เริ่มจากโครงสร้างหลักจะประมวลผลอินพุตและคำถามเพียงครั้งเดียว (Prefill-only pass) จากนั้น Transformer ขนาดเล็กที่เรียกว่า Joint Schema Head จะอ่านสถานะที่ซ่อนอยู่ (Hidden States) เพื่อให้คะแนนทุกตัวเลือกพร้อมกันและเปลี่ยนเป็นค่าความน่าจะเป็นผ่านฟังก์ชัน Softmax

ในการฝึกสอนมีการแช่แข็งโครงสร้างหลักและปรับแต่ง Routing Head ร่วมกับ LoRA (Rank-256) โดยใช้เทคนิค Reinforcement Learning for Calibrated Decisions (RLCD) เพื่อช่วยให้โมเดลสามารถให้คะแนนตัวเลือกที่มีลำดับใกล้เคียงกันได้อย่างแม่นยำ

เครื่องมืออธิบายแบบโต้ตอบ

เกณฑ์มาตรฐาน: จุดที่ Clef ชนะและจุดที่ไม่ชนะ

จากการทดสอบบนเกณฑ์มาตรฐาน Decision Index 0.2.1 ของ Cloudflare พบว่า Clef ทำคะแนนได้สูงสุดใน 7 จาก 10 รายการ เช่น ใน BANKING77 ที่ทำคะแนนได้ 94.20 เทียบกับ Jev ที่ 79.74 อย่างไรก็ตาม Jev ยังคงนำหน้าในด้านความรู้ทั่วไป เช่น GPQA Diamond (78.3 ต่อ 48.0) และ MMLU-Pro (82.7 ต่อ 65.9)

ในการประเมินเวิร์กโฟลว์จริงของ TypeSafe ผ่าน workflow evals Clef สามารถเอาชนะ Jev ได้ใน 3 จาก 4 ด้าน รวมถึงการประมวลผลใบแจ้งหนี้และการบริการลูกค้า โดยในเวิร์กโฟลว์ด้านความปลอดภัยของ Cloudflare เอง Clef สามารถจำแนกประเภทโดเมนได้ในเวลาเพียง 2.2 วินาที เร็วกว่า gpt-oss-120b ที่ใช้เวลา 4.7 วินาที

หมายเหตุ: ตัวเลขทั้งหมดรายงานโดยผู้ผลิต และยังไม่มีการทำซ้ำโดยหน่วยงานอิสระ

การเปรียบเทียบคุณสมบัติ

ผลการรัน Decision Index ภายในของ Cloudflare แหล่งที่มา: เอกสาร Clef, เอกสาร Clef-flash, Clef card, โพสต์ Jev, Kev-9B card, Laya card

การปรับใช้และการปรับแต่ง (Fine-Tuning)

โมเดลทั้งสองสามารถเรียกใช้ผ่าน Workers AI (env.AI.run()), REST API หรือ AI Gateway สำหรับการใช้งานในองค์กร Cloudflare ได้เปิดตัวบริการ Reinforcement Learning เพื่อปรับแต่ง Clef บนข้อมูลเฉพาะของลูกค้า โดยเริ่มให้บริการผ่านวิศวกรของ Cloudflare ก่อนจะขยายสู่แพลตฟอร์มแบบบริการตนเองในอนาคต ผู้ที่สนใจสามารถสมัครผ่าน แบบฟอร์มพันธมิตรด้านการออกแบบ

ประเด็นสำคัญ

• Clef (27B) และ Clef-flash (9B) เป็นโมเดลการตัดสินใจแบบ Apache 2.0 ที่ทำงานร่วมกับ API ของ Jev ได้ทันที
• มีความหน่วงต่ำมาก โดย Clef-flash มีค่าความหน่วงมัธยฐานเพียง 38.8 ms เท่านั้น
• รองรับอินพุตหลากหลายทั้งข้อความ, JSON, รูปภาพ และวิดีโอ ภายใต้บริบท 64K token
• Jev ยังคงมีประสิทธิภาพเหนือกว่าในการทดสอบความรู้เชิงลึก เช่น MMLU-Pro และ BBH