Cloudflare در تاریخ ۹ اکتبر به طور رسمی از عرضه مدل تصمیم‌گیری متن‌باز جدید خود با نام Clef-omni خبر داد. این مدل قابلیت‌های پردازش متن و تصویر اصلی را گسترش داده و از فرمت‌های صوتی و ویدئوی کامل پشتیبانی می‌کند، که امکان پردازش محتوای چندوجهی را با یک فراخوانی API فراهم می‌آورد.
ارتقاء چندوجهی و تحلیل معماری
در زمینه پشتیبانی چندوجهی، مدل سنتی Clef عمدتاً متن، تصاویر و فریم‌های متوالی استاتیک استخراج شده در فواصل زمانی را پردازش می‌کرد. اما Clef-omni که به تازگی عرضه شده، به صورت بومی از فرمت‌های صوتی و تصویری مانند wav، mp3، mp4 و webm پشتیبانی می‌کند. این بهبود، مراحل دست‌وپاگیر قبلی را که توسعه‌دهندگان برای رونویسی گفتار و تقسیم‌بندی صوتی-تصویری نیاز به استقرار داشتند، حذف می‌کند و به یک مدل واحد اجازه می‌دهد تا به طور کارآمد نیازهای ورودی متنوع را مدیریت کند.
بر اساس جزئیات فنی رسمی، Clef-omni بر پایه Qwen3-Omni-30B-A3B-Instruct ساخته شده و قابلیت‌های درک هسته‌ای آن را حفظ می‌کند. این مدل عمدتاً وظایف تصمیم‌گیری ساختاریافته را هدف قرار می‌دهد و خروجی‌های متنی معمولی تولید نمی‌کند. از نظر عملکرد، میانگین زمان پاسخ برای درخواست‌های متنی خالص تقریباً ۱۳۰ میلی‌ثانیه و برای تصاویر حدود ۱۵۰ میلی‌ثانیه است؛ پردازش یک ویدئوی ۲۱ ثانیه‌ای با صدا حدود ۱.۵ ثانیه طول می‌کشد تا ارزیابی کامل شود.
کاهش قیمت و مقایسه مدل‌های سری
با انتشار مدل جدید، Cloudflare همچنین قیمت استفاده از Clef-flash را کاهش داد و هزینه را از ۰.۰۹ دلار به ازای هر میلیون توکن ورودی به ۰.۰۳۸ دلار رساند که کاهشی حدود ۵۸ درصدی را نشان می‌دهد. پنجره زمینه نسخه میزبانی شده آن نیز از ۶۴ هزار به ۲۴ هزار تنظیم شد. به طور کلی، قیمت‌گذاری طبقه‌بندی شده مدل‌های فعلی، نیازهای هزینه و عملکرد توسعه‌دهندگان مختلف را برآورده می‌کند.