IT之家 10 月 10 日消息，Cloudflare 昨日（10 月 9 日）发布公告，宣布推出开放权重决策模型 Clef-omni，支持单次 API 调用处理文本、图像、音频和视频等。
定位方面，该模型在此前 Clef 系列模型基础上，扩展支持多模态输入，模型权重已在 Hugging Face 开放。
多模态支持方面，此前的 Clef 支持文本、图像及从视频中抽取的连续画面（把视频按时间抽取成一张张静态图像，再把这些图像按顺序作为输入交给模型），而 Clef-omni 新增音频和完整视频输入，支持 wav、mp3、mp4 和 webm 格式。
Cloudflare 称，开发者无需另行搭建语音转写及音视频拆分流程，可用一个模型处理多种输入。
Cloudflare 称，Clef-omni 基于 Qwen3-Omni-30B-A3B-Instruct 构建，并保留其主要理解能力。模型面向结构化决策任务，不生成常规文本输出。公司公布的测试中，纯文本请求中位响应时间约 130 毫秒，图像约 150 毫秒；带声音的 21 秒视频约 1.5 秒完成评分。
| 基准测试 | Clef-omni | Clef | Clef-flash | Jev |
|---|---|---|---|---|
| BFCL：精确匹配率 | 98.2 | 98.47 | 98.76 | 95.75 |
| ToolRet：nDCG@10 | 66.6 | 69.19 | 66.43 | 65.28 |
| API-Bank：准确率 | 92.7 | 91.93 | 93.11 | 88.19 |
| 家用电器：精确匹配率 | 69.3 | 82.95 | 97.73 | 52.27 |
| When2Call：准确率 | 63.3 | 72.37 | 65.58 | 80.97 |
| BANKING77：宏平均 F1 | 94.8 | 94.20 | 90.93 | 79.74 |
| CLINC150+OOS：宏平均 F1 | 97.7 | 97.43 | 66.77 | 89.27 |
| BRIGHT：nDCG@10 | 42.0 | 45.91 | 39.26 | 47.52 |
| Amazon ESCI：宏平均 F1 | 57.8 | 57.48 | 57.39 | 55.21 |
| PhishNChips：准确率 | 73.2 | 79.60 | 75.05 | 62.55 |
Cloudflare 还将 Clef-flash 每百万输入 Token 价格从 0.09 美元（IT之家注：现汇率约合 0.6 元人民币）降至 0.038 美元（现汇率约合 0.25 元人民币），降幅约 58%。Clef-flash 托管版上下文窗口同步从 64k 缩至 24k。
| 模型 | 输入价格 | 输出价格 |
|---|---|---|
| Clef-flash | 每百万 Token 0.038 美元（现汇率约合 0.25 元人民币） | 每百万 Token 0.12 美元（现汇率约合 0.8 元人民币） |
| Clef | 每百万 Token 0.24 美元（现汇率约合 1.6 元人民币） | 每百万 Token 0.72 美元（现汇率约合 4.8 元人民币） |
| Clef-omni | 每百万 Token 0.15 美元（现汇率约合 1 元人民币） | 每百万 Token 0.60 美元（现汇率约合 4 元人民币） |