Cloudflare hat am 9. Oktober offiziell eine Ankündigung veröffentlicht und das neue Open-Weight-Entscheidungsmodell Clef-omni vorgestellt. Das Modell erweitert die bisherigen Fähigkeiten zur Text- und Bildverarbeitung um Unterstützung für Audio- und vollständige Videoformate und kann multimodale Inhalte über einen einzigen API-Aufruf gleichzeitig verarbeiten.
Multimodal-Upgrade und Architekturanalyse
Beim multimodalen Support verarbeitete das herkömmliche Clef-Modell hauptsächlich Text, Bilder sowie statische Bildfolgen, die in zeitlichen Abständen extrahiert wurden. Das neu vorgestellte Clef-omni unterstützt hingegen nativ Audio- und Videoformate wie wav, mp3, mp4 und webm. Diese Verbesserung erspart Entwicklern den bisher umständlichen Aufwand, zusätzliche Pipelines für Sprachtranskription sowie das Aufteilen von Audio und Video bereitzustellen; vielfältige Eingabeanforderungen lassen sich nun mit einem einzigen Modell effizient verarbeiten.
Den offiziell veröffentlichten technischen Details zufolge basiert Clef-omni auf Qwen3-Omni-30B-A3B-Instruct und bewahrt dessen zentrale Verstehensfähigkeit. Das Modell ist in erster Linie auf strukturierte Entscheidungsaufgaben ausgerichtet und erzeugt keine regulären Textausgaben. Bei der Leistung liegt die mittlere Antwortzeit für reine Textanfragen bei etwa 130 Millisekunden, für Bilder bei etwa 150 Millisekunden; die Bewertung eines 21 Sekunden langen Videos mit Ton nimmt nur etwa 1,5 Sekunden in Anspruch.
Preissenkung und Vergleich der Modellreihe
Zusammen mit der Veröffentlichung des neuen Modells senkte Cloudflare auch den Nutzungspreis von Clef-flash: Die Kosten pro Million Eingabe-Token wurden von 0,09 US-Dollar auf 0,038 US-Dollar gesenkt, eine Reduktion von etwa 58 %, und das Kontextfenster der gehosteten Version wurde von 64k auf 24k angepasst. Insgesamt deckt die gestaffelte Preisgestaltung der aktuellen Modellreihe die Kosten- und Leistungsanforderungen verschiedener Entwickler ab.