Cloudflare เปิดตัว Clef-omni โมเดลตัดสินใจ Multimodal ตัวแรก

Cloudflare เปิดตัว Clef-omni สมาชิกใหม่แบบ open-weight ในตระกูลโมเดลการตัดสินใจ Clef โดยรุ่นนี้มีความสามารถโดดเด่นในการให้คะแนนข้อความ รูปภาพ เสียง และวิดีโอได้ในการเรียกใช้งาน (call) เพียงครั้งเดียว

การเปิดตัวครั้งนี้มีขึ้นเมื่อวันที่ 9 ตุลาคม 2026 เพียง 8 วันหลังจากการเปิดตัว Clef และ Clef-flash รุ่นดั้งเดิม นอกจากนี้ยังมีการปรับลดราคา Clef-flash ให้ถูกกว่า Jev ของ TypeSafe พร้อมอัปเกรดให้ Clef แบบ hosted ทำงานเร็วขึ้นถึง 2 เท่า ช่วยให้นักพัฒนาลดขั้นตอนการทำ transcription และ captioning ในระบบ multimodal agent ลงได้

TL;DR

• ขนาด: พารามิเตอร์ทั้งหมด 30B ทำงานจริง 3B (MoE) พร้อม context window 64,000 token บน Workers AI
• การใช้งาน: รันบน Workers AI ในชื่อ @cf/cloudflare/clef-omni หรือทำ self-hosting บน H200 โดยใช้หน่วยความจำ GPU ประมาณ 64 GB ในรูปแบบ bfloat16
• ประสิทธิภาพ: ทำผลงานได้ดีเยี่ยมในงานด้านการกำหนดเส้นทาง (routing) และความตั้งใจ (intent) แต่ยังตามหลังในด้านการใช้เหตุผล (reasoning) และการประเมิน workflow ส่วนใหญ่
• จุดแข็ง: ทำคะแนน macro-F1 ได้ 97.7 บน CLINC150+OOS ซึ่งสูงที่สุดในบรรดาโมเดล Clef และ Jev
• จุดอ่อน: ความแม่นยำต่ำในโจทย์ระดับยาก เช่น ทำได้ 2.6 บน POP909-CL และ 47.4 บน GPQA Diamond เมื่อเทียบกับ Jev ที่ทำได้ 78.3
• สรุปภาพรวม: ข้อดีคือตัดสินใจข้ามได้ถึง 4 modalities ในครั้งเดียว แต่ความแม่นยำในการใช้เหตุผลซับซ้อนยังเป็นรอง Clef รุ่นที่เน้นข้อความ

โมเดลการตัดสินใจ (decision model) คืออะไร?

โมเดลการตัดสินใจจะส่งคืนคำตอบในรูปแบบ typed answers พร้อมค่าความน่าจะเป็น แทนที่จะเป็นการสร้างข้อความ (generated text) โดยผู้ใช้ต้องส่ง state และ schema ของคำถามไปให้ แล้วโมเดลจะประมวลผลความน่าจะเป็นของทุกตัวเลือกที่กำหนด

ทั้งนี้ Clef รองรับ คำถาม 3 ประเภท ได้แก่ noul (จริงหรือเท็จ), choice และ score ซึ่งเป็นรูปแบบเดียวกับ Jev และ SystemOne API จาก TypeSafe AI

Clef-omni ทำงานอย่างไร?

Clef-omni พัฒนาผ่านการทำ post-trained จาก Qwen3-Omni-30B-A3B-Instruct โดย Cloudflare คงโครงสร้างหลักด้านความเข้าใจ (comprehension backbone) ไว้ แต่ตัดส่วนการแสดงผล text-to-speech ออก

โมเดลจะรัน prefill pass เพียงครั้งเดียวบนข้อมูลทั้งหมด โดยเฟรมวิดีโอและเสียงจะถูกซิงค์รวมเป็น sequence เดียวเพื่อประมวลผลร่วมกัน จากนั้น joint schema head ขนาดเล็กจะให้คะแนนตัวเลือกต่างๆ โดยใช้ field vectors ทำ cross-attend ข้าม context เพื่อคำนวณความเชื่อมั่น ซึ่ง Cloudflare ได้ใช้การฝึกฝนแบบ LoRA adapters บนโครงสร้างหลักของ Qwen3 ที่ถูกฟรีซไว้

ขีดความสามารถบน Workers AI:

• รูปภาพ: สูงสุด 4 ภาพ (PNG, JPEG, WebP) ขนาด 64-1,024 tokens ต่อภาพ
• เสียง: สูงสุด 4 คลิป (WAV, MP3) ยาวคลิปละ 300 วินาที
• วิดีโอ: สูงสุด 2 คลิป (MP4, WebM) ยาวคลิปละ 60 วินาที (2 เฟรมต่อวินาที)
• คำถาม: 1 ถึง 64 ข้อต่อการร้องขอ

ในด้านความเร็ว Cloudflare ระบุว่าการตัดสินใจจากข้อความใช้เวลาประมาณ 130 ms และรูปภาพ 150 ms ส่วนวิดีโอ 21 วินาทีพร้อมเสียงใช้เวลาประมาณ 1.5 วินาที

ประสิทธิภาพของ Clef-omni บน benchmark

จากการทดสอบ Decision Index Clef-omni นำโด่งในด้านการจำแนกความตั้งใจ (intent classification) โดยได้ 94.8 macro-F1 บน BANKING77 และ 97.7 บน CLINC150+OOS รวมถึงทำคะแนนสูงสุดใน Amazon ESCI ที่ 57.8

อย่างไรก็ตาม ยังมีจุดที่ตามหลังรุ่นอื่น เช่น ความแม่นยำของเครื่องใช้ไฟฟ้าในบ้านอยู่ที่ 69.3 (Clef-flash ทำได้ 97.73) และในการประเมิน workflow ของ TypeSafe Clef-omni ยังทำคะแนนได้ต่ำกว่า Clef ในทุกตัวชี้วัด

Clef-omni vs Clef vs Clef-flash vs Jev

หมายเหตุ: คะแนน Benchmark มาจากประกาศของ Cloudflare และยังไม่ได้รับการตรวจสอบโดยอิสระ

การเพิ่มความเร็วของ Clef

Cloudflare ได้ย้าย hosted Clef ไปยัง SGLang และปรับแต่งระบบหลังบ้านใหม่ ทำให้ค่าความล่าช้า (latency) ลดลงอย่างมาก เช่น ที่ 3,400 tokens ความเร็วเพิ่มขึ้น 2.0 เท่า (จาก 616 ms เหลือ 305 ms) โดยการรองรับ Clef จะรวมอยู่ใน SGLang 0.5.22

ประเด็นสำคัญ

• Clef-omni สามารถตัดสินใจจากข้อมูล 4 ประเภทได้ในการเรียกใช้งานเพียงครั้งเดียว
• เป็นโมเดล 30B-A3B MoE ภายใต้สัญญาอนุญาต Apache-2.0 ที่ราคา $0.15 ต่อล้าน tokens
• Clef-flash ปรับราคาลงเหลือ $0.038 ซึ่งถูกกว่าคู่แข่งอย่าง Jev
• การเปลี่ยนไปใช้ SGLang ทำให้ Clef แบบ hosted ทำงานเร็วขึ้นเฉลี่ย 1.7 ถึง 2.0 เท่า
• แม้จะเด่นเรื่องการแยกแยะความตั้งใจ แต่ Clef-omni ยังต้องพัฒนาด้านการใช้เหตุผลเมื่อเทียบกับรุ่นพี่อย่าง Clef