Michael Johnson1件の問い合わせから、写真のラベルが読めるか、動画でファンが動いているか、録音に異音が含まれるかを確認する――Cloudflareは新モデルClef-omniの用途として、このような例を挙げている。2026年10月9日、同社はモデルの提供開始を発表した。テキスト、画像、音声、動画を入力として受け取り、質問に対する選択肢を評価する。
Clef-omniは、Cloudflareがその1週間前に発表したClef意思決定モデルファミリーの一つだ。開発者が質問と回答の選択肢を定義したスキーマを設定すると、モデルは各選択肢を評価し、構造化された形で処理できる結果を返す。結果をアプリケーションやワークフローに渡す必要がある問い合わせやマルチメディア素材の分類に適している。
異なる入力形式に共通のスキーマを適用
CloudflareのClef-omni発表によると、このモデルはQwen3-Omni-30B-A3B-Instructをベースとし、mixture-of-expertsアーキテクチャを採用している。テキストとJSON、画像、音声用のWAVおよびMP3、動画用のMP4およびWebMに対応する。選択肢付きの各質問について、モデルは選択肢ごとの評価を出力するため、アプリケーションはあらかじめ定めた形式で結果を処理できる。
たとえば、故障に関する問い合わせを分類するチームは、写真のラベルが読めるか、録音に異音があるか、動画でインジケーターが点滅しているかを尋ねられる。このように1回の問い合わせで複数形式の情報を組み合わせ、後続の振り分けに使える構造化回答を得られる。
Cloudflareによると、テキストの判断での遅延中央値は約130ミリ秒、画像では約150ミリ秒だという。音声付き21秒動画の場合は約1.5秒としている。これらは同社が公表したテスト結果であり、自社システムを評価するには、実際のファイル、質問スキーマ、デプロイ方法も考慮する必要がある。
オープンウェイトとクラウドでの実行
Cloudflareは、Clef-omniのウェイトをHugging Faceで公開し、Apache-2.0ライセンスを適用した。モデルカードでは、ローカルでの実行と、H200アクセラレーター1基でのテストについて説明している。bfloat16構成では約64GBのビデオメモリが必要とされる。チームは、ハードウェア要件や設定を踏まえて、自前でのホスティングを評価できる。
クラウド版Clef-omniについて、Cloudflareは入力トークン100万件あたり0.15ドルの料金を発表した。料金計算は入力内容によって異なる。同社の説明では、画像と音声は課金対象トークンに変換され、動画も入力データ量に影響する。予算を見積もる前に、Workers AIのドキュメントで最新の条件を確認したい。
Clef-flashは値下げ、クラウド版のコンテキスト長は短縮
同じアップデートでCloudflareは、ホスト版Clef-flashの入力トークン100万件あたりの料金を0.09ドルから0.038ドルに引き下げた。一方で、ホスト版のコンテキスト長は6万4000トークンから2万4000トークンに短縮された。同社によると、新しい上限を超えていたリクエストはわずか0.24％だった。
料金引き下げを受けて移行する前に、チームは実際のリクエストや文書の長さを確認するとよい。公開済みのClef-flashのウェイトに変更はなく、Cloudflareによれば、自前でホスティングする場合は最大25万6000トークンのコンテキストに対応する。この上限はオープン版のものであり、コンテキスト長が2万4000トークンのクラウド版には当てはまらない。
Clef-omniの実用上の特徴は、マルチモーダル入力と、あらかじめ定義された選択肢からの判断を1回の問い合わせにまとめられることだ。素材を分類したり、音声と画像を照合したり、固定フィールドを埋めたりする製品では、自社のサンプルを使って評価できる。クラウド版と自前での導入を比較する際は、料金、ハードウェア要件、必要なコンテキスト長をそれぞれ考慮する必要がある。