Cloudflare 在 10 月 9 日发布公告，推出开放权重的决策模型 Clef-omni。和之前的 Clef 相比，这次最大的变化是输入端：除了文本和图像，现在直接支持 wav、mp3 音频和 mp4、webm 视频，一次 API 调用就能把混合素材丢给模型处理。

「决策模型」是干什么的

Clef 系列不是聊天模型，它不生成常规文本，而是面向结构化决策任务：判断该调用哪个工具、这个请求属于哪一类、这次操作打几分。典型场景包括工具选择、意图分类、内容审核打分、钓鱼识别——都是系统后台需要毫秒级给出判断的活。

之前的 Clef 处理视频的方式比较绕：把视频按时间抽成一帧帧静态图片，再按顺序喂给模型。Clef-omni 把音频和完整视频变成了原生输入，开发者不用再自己搭语音转写和音视频拆分的预处理流程，一个模型搞定多种输入。

底子和速度

Cloudflare 称 Clef-omni 基于 Qwen3-Omni-30B-A3B-Instruct 构建，保留了它的主要理解能力，模型权重已在 Hugging Face 开放。官方公布的响应速度：

• 纯文本请求：中位响应约 130 毫秒
• 图像请求：约 150 毫秒
• 带声音的 21 秒视频：约 1.5 秒完成评分

基准测试上，Clef-omni 在 BFCL 工具调用精确匹配率拿到 98.2，BANKING77 意图分类宏平均 F1 为 94.8，CLINC150+OOS 达 97.7。对比自家 Clef 和 Clef-flash，它并不是全项领先——比如家用电器场景 Clef-flash 的 97.73 远高于它的 69.3，When2Call 上 Jev 的 80.97 也更高——选型时得按具体任务看表，不能只看旗舰名字。

顺手还降了价

同一份公告里，Cloudflare 把 Clef-flash 的输入价从每百万 Token 0.09 美元降到 0.038 美元，降幅约 58%，代价是托管版上下文窗口从 64k 缩到 24k。三个模型的最新定价：

• Clef-flash：输入 0.038 / 输出 0.12（美元/百万 Token）
• Clef：输入 0.24 / 输出 0.72
• Clef-omni：输入 0.15 / 输出 0.60

对开发者意味着什么

如果你在做内容审核、智能路由、Agent 工具选择这类「判断型」功能，Clef-omni 的价值在于两点：一是多模态输入合并成一次调用，省掉转写和拆帧的流水线；二是开放权重，可以自己部署、自己微调，不必绑定 Cloudflare 的托管服务。响应在百毫秒级，放进实时链路里没有压力。

要注意的是它不做生成，别指望拿它写文案——它是给你系统里那些「是/否/选哪个」的环节用的。需要生成能力的场景，还是得搭配通用模型。

更多 AI 工具与教程见 AI 智库。