Cloudflare 以阿里巴巴开源 Qwen 为底座，推出决策模型 Clef 和 Clef-flash。Jev 上线 16 天后，Cloudflare 交出一套 API 与 Jev 兼容、开放权重且支持图像输入的替代方案。按 Cloudflare 自行公布的测试结果，Clef 在多数评测里领先，但如果按 Cloudflare 自家服务的公开价格计算，Clef 的单价约是 Jev 的 5.7 倍。
Jev 推出半个月后，Cloudflare 跟进发布 Clef
TypeSafe AI 于 9 月 15 日发布 Jev，把「决策模型」单独做成一个产品类别。半个月后，Cloudflare 在 10 月 1 日发布 Clef，底座采用阿里巴巴开源 Qwen。报道提到，Jev 由前 OpenAI 研究员 Diogo Almeida 创办的团队推出，官方将其称为 System One Model。
所谓决策模型，核心用法不是生成一段文字，而是在给定输入和一组合法选项后，直接返回各选项对应的概率。文章举例称，客服消息进入系统后，程序可以询问模型「是否紧急、应交给哪个团队」，再依据概率分派工单，若把握不足则转交人工。相比输出开放且结果不一定每次相同的大型语言模型，决策模型追求的是边界清晰、速度快、成本低。
Clef 与 Clef-flash 已上线 Workers AI，权重采用 Apache 2.0
10 月 1 日发布的 Clef 和体量更小的 Clef-flash，是 Cloudflare Workers AI 团队首批自行训练的机器学习模型。两款模型都已经在 Workers AI 上架，权重采用 Apache 2.0 许可，并已放到 Hugging Face 供下载。
Cloudflare 表示，这两款模型的 API 与 Jev 完全兼容。公司同时承诺，不会读取、留存，也不会把客户的请求和响应用于训练，客户主动使用微调服务的情况除外。Clef 这个名字取自乐谱开头用来定义音高的谱号，CF 两个字母也对应 Cloudflare 名称。
基于 Qwen 训练，支持视觉输入，最长上下文 64K
Clef 以 Qwen3.8-27B 为底座，Hugging Face 模型卡登记约 273.6 亿个权重；Clef-flash 以 Qwen3.5-9B 为底座，约 94.1 亿个。训练方式是冻结底座模型，只训练一个路由头，并加入 rank-256 的 LoRA 低秩微调层。按原文描述，这种做法可以理解为不改动原模型主体，只在外层增加一层较小幅度的调整。
在推理阶段，底座模型会先读取输入，再针对事先定义好的问题与选项 schema 并行打分，而不是像通用生成模型那样一个 token 接一个 token 往下生成，因此中间不会出现文字输出。
Clef 与 Clef-flash 都带有视觉编码器，支持读取图片，上下文长度为 64K。Cloudflare 称，Jev 目前只处理文本，上下文长度为 32K。
Cloudflare 公布的质量评测中，Clef 系列拿下 10 项里的 7 项最高分
文章指出，以下成绩均由 Cloudflare 自行执行并自行公布。按 Cloudflare 的说法，Clef 目前在「Jev Decision Index」上领先。在博客列出的 10 项质量评测里，Clef 或 Clef-flash 拿下 7 项最高分，Jev 领先 2 项，剩下 1 项钓鱼检测 PhishNChips，则由 Google DiffusionGemma 改造版本以 85.35 分领先 Clef 的 79.60 分。
部分项目的分差较大。BANKING77 这项银行客服意图分类任务中，Clef 得分为 94.20，Jev 为 79.74；Home appliances 任务中，Clef-flash 为 97.73，Jev 为 52.27。
Jev 保持领先的两项分别是 When2Call 和 BRIGHT。前者 Jev 为 80.97，Clef 为 72.37；后者 Jev 为 47.52，Clef 为 45.91。
Clef-flash 的短板也被点出。在 CLINC150+OOS 这一项中，Clef-flash 只有 66.77，Jev 为 89.27，Clef 为 97.43。
Cloudflare 还引用 TypeSafe 自己的工作流评测集，称 4 项任务赢下 3 项，但领先幅度不大：发票处理为 64.7 对 61.8，客服为 76.3 对 76.0，资安事件为 62.9 对 61.7；代理轨迹可观测性则是 Jev 以 71.6 胜过 Clef 的 68.5。
速度是 Clef 拉开差距的主要部分
在 43 项评测的统计里，Clef 的中位延迟为 209.3 毫秒，Clef-flash 为 38.8 毫秒，Jev 为 524.1 毫秒。按 p95 指标计算，也就是 95% 请求会在该时间内完成，Clef、Clef-flash 和 Jev 分别为 238.6 毫秒、122.4 毫秒和 536.0 毫秒。
开源模型 Laya 的中位延迟只有 5.8 毫秒，但文章称其质量排名垫底，Cloudflare 也注明这是以质量换速度。
Cloudflare 威胁情报团队给出的内部案例更直接。使用 Clef 配合 Browser Run 对网域进行分类时，抓取、渲染、分类整个流程合计 2.2 秒；同样流程若换成他们最快的通用 LLM gpt-oss-120b，则需要 4.7 秒，而且只返回两个分类。
公开价格显示，Clef 单价约为 Jev 的 5.7 倍
Cloudflare 的博客正文没有直接写出价格，但 Workers AI 说明页列出，Clef 每百万输入 token 收费 0.24 美元，Clef-flash 为 0.09 美元。TypeSafe 官方公布的 Jev 价格则是每百万输入 token 0.042 美元，输出免费。
按这个标准换算，Clef 的单价约为 Jev 的 5.7 倍，Clef-flash 约为 2.1 倍。
不过，原文也指出，这笔账不能只看单价。Clef 的权重可以免费下载并自行部署，而 TypeSafe 没有公开 Jev 的权重。
Cloudflare 同步推出 RL 微调服务，想卖的不只是模型
文章称，Cloudflare 真正要推动的是模型背后整条流程。官方同步推出强化学习（RL）微调服务，初期由前进部署工程师（FDE）团队协助客户操作，之后再做成自助式服务，让客户自己收集数据、微调并重新部署。
按原文描述，这套流程会与 Cloudflare 现有产品串联，包括由 AI Gateway 把流经的 AI 请求转成数据集，由 Workers AI 生成 rollout，再衔接后续部署环节。输入内容在这一段后半部分被截断，未披露更多细节。