Michael JohnsonAtt med en enda förfrågan kontrollera om en märkning går att läsa på ett foto, om en fläkt fungerar i en video och om en inspelning innehåller störande ljud – det är ett exempel som Cloudflare ger på användning av den nya modellen Clef-omni. Den 9 oktober 2026 tillkännagav företaget lanseringen: modellen tar emot text, bilder, ljud och video och poängsätter svarsalternativ utifrån angivna frågor.
Clef-omni bygger vidare på modellfamiljen Clef för beslutsfattande, som Cloudflare presenterade veckan innan. Utvecklaren anger ett schema med frågor och tillåtna svar; modellen returnerar poäng för svarsalternativen, vilka kan hanteras strukturerat. Det passar för klassificering av ärenden och multimediematerial när resultatet ska skickas vidare till en applikation eller ett arbetsflöde.
Ett schema för olika typer av indata
I Cloudflares tillkännagivande om Clef-omni beskrivs modellen som byggd på Qwen3-Omni-30B-A3B-Instruct med en mixture-of-experts-arkitektur. Den stöder text och JSON, bilder, WAV och MP3 för ljud samt MP4 och WebM för video. För varje fråga med svarsalternativ poängsätter modellen alternativen, så att en applikation kan hantera resultatet i ett förutbestämt format.
Vid sortering av felanmälningar kan ett team till exempel ställa frågor om märkningen går att läsa på ett foto, om det finns oljud i en inspelning och om en indikator blinkar i en video. En enda sådan förfrågan samlar multimodala belägg i ett strukturerat svar för vidare hantering.
Cloudflare uppger en medianfördröjning på omkring 130 ms för textbaserade beslut och omkring 150 ms för bilder. För en 21 sekunder lång video med ljud anger företaget cirka 1,5 sekunder. Det är resultat från tester som företaget själv redovisar; när det egna systemet utvärderas är även dess filer, frågeschema och driftsätt viktiga.
Öppna vikter och drift i molnet
Cloudflare har publicerat Clef-omnis vikter på Hugging Face under licensen Apache-2.0. Modellkortet beskriver lokal körning och testning på en H200-accelerator; för bfloat16-konfigurationen anges cirka 64 GB videominne. Det gör det möjligt för team att utvärdera egen drift utifrån kraven på hårdvara och konfiguration.
För den molnbaserade Clef-omni tillkännagav Cloudflare ett pris på 0,15 dollar per miljon indatatoken. Kostnaden beror på vad indata består av: Cloudflare beskriver separat hur bilder och ljud omvandlas till debiterbara token, och video påverkar också mängden indata. Kontrollera de aktuella villkoren i dokumentationen för Workers AI innan du beräknar budgeten.
Clef-flash blir billigare, men molnversionens kontext krymper
I samma uppdatering sänkte Cloudflare priset på den värdtjänstbaserade Clef-flash från 0,09 till 0,038 dollar per miljon indatatoken. Samtidigt minskade kontextfönstret för den värdtjänstbaserade versionen från 64 000 till 24 000 token. Enligt företaget överskred endast 0,24 procent av förfrågningarna den nya gränsen.
Innan team går över till det lägre priset bör de kontrollera längden på sina faktiska förfrågningar och dokument. De publicerade vikterna för Clef-flash har inte ändrats: Cloudflare anger att modellen vid egen drift är avsedd för en kontext på upp till 256 000 token. Den gränsen gäller den öppna versionen, inte molnversionen med ett fönster på 24 000 token.
Den praktiska idén med Clef-omni är att kombinera multimodala indata med val mellan förutbestämda alternativ i en enda förfrågan. För produkter som klassificerar material, jämför ljud med bilder eller fyller i fasta fält kan modellen utvärderas med egna exempel. Vid valet mellan molntjänst och egen drift bör man ta hänsyn till pris, hårdvarukrav och önskad kontextlängd var för sig.