Michael JohnsonÅ sjekke i én og samme henvendelse om en etikett er leselig på et bilde, om en vifte fungerer i en video, og om et opptak inneholder uvanlig støy – dette er et eksempel Cloudflare bruker for den nye modellen Clef-omni. 9. oktober 2026 kunngjorde selskapet lanseringen: Modellen tar imot tekst, bilder, lyd og video og vurderer svaralternativer for oppgitte spørsmål.
Clef-omni viderefører Clef-familien av beslutningsmodeller, som Cloudflare presenterte uken før. Utvikleren definerer et skjema med spørsmål og tillatte svar; modellen returnerer vurderinger av alternativene, som kan behandles strukturert. Dette egner seg for klassifisering av henvendelser og multimediemateriale der resultatet skal sendes videre til en applikasjon eller arbeidsflyt.
Ett skjema for ulike typer inndata
I Cloudflares kunngjøring av Clef-omni beskrives modellen som bygget på Qwen3-Omni-30B-A3B-Instruct med en mixture-of-experts-arkitektur. Den støtter tekst og JSON, bilder, WAV og MP3 for lyd, samt MP4 og WebM for video. For hvert spørsmål med svaralternativer gir modellen en vurdering av alternativene, slik at applikasjonen kan behandle resultatet i et forhåndsdefinert format.
Ved sortering av feilmeldinger kan et team for eksempel stille spørsmål om en etikett er leselig på et bilde, om det er støy i et lydopptak, og om en indikator blinker i en video. Én samlet forespørsel kombinerer multimodale bevis til et strukturert svar som kan brukes til videre ruting.
Cloudflare oppgir en median forsinkelse på rundt 130 ms for tekstbaserte vurderinger og rundt 150 ms for bilder. For en 21 sekunder lang video med lyd oppgir selskapet omtrent 1,5 sekunder. Dette er resultater fra tester oppgitt av selskapet; for å vurdere et eget system er også filene, spørreskjemaet og distribusjonsmetoden viktige.
Åpne vekter og kjøring i skyen
Cloudflare publiserte Clef-omni-vektene på Hugging Face under Apache-2.0-lisensen. Modellkortet beskriver lokal kjøring og testing på én H200-akselerator; for bfloat16-konfigurasjonen oppgis rundt 64 GB videominne. Dette gir team mulighet til å vurdere egen drift ut fra krav til maskinvare og oppsett.
Cloudflare kunngjorde en pris på 0,15 dollar per million inputtokener for Clef-omni i skyen. Kostnaden avhenger av sammensetningen av inndataene: Cloudflare beskriver separat hvordan bilder og lyd konverteres til fakturerbare tokener, og video påvirker også mengden inndata. Før budsjettet beregnes, bør gjeldende vilkår sjekkes i dokumentasjonen for Workers AI.
Clef-flash ble billigere, mens konteksten i skyversjonen ble redusert
I samme oppdatering satte Cloudflare ned prisen på den hostede Clef-flash fra 0,09 til 0,038 dollar per million inputtokener. Samtidig ble kontekstvinduet for den hostede versjonen redusert fra 64 000 til 24 000 tokener. Ifølge selskapet overskred bare 0,24 % av forespørslene den nye grensen.
Før team går over til den lavere prisen, bør de kontrollere lengden på faktiske forespørsler og dokumenter. De publiserte Clef-flash-vektene er uendret: Cloudflare oppgir at modellen ved egen drift er beregnet for en kontekst på opptil 256 000 tokener. Denne grensen gjelder den åpne varianten, ikke skyversjonen med et vindu på 24 000.
Den praktiske ideen bak Clef-omni er å kombinere multimodale inndata og valg blant forhåndsdefinerte alternativer i én forespørsel. For produkter som klassifiserer materiale, sammenholder lyd med bilder eller fyller ut faste felt, kan modellen evalueres på egne eksempler. Ved valg mellom skybasert og egen drift bør man også vurdere pris, maskinvarekrav og ønsket kontekstlengde.