Cloudflare ha lanzado Clef y Clef‑flash, dos modelos de decisión de peso abierto alojados en Workers AI y publicados bajo una licencia Apache 2.0 en Hugging Face. Los modelos de decisión producen resultados acotados y estructurados—como probabilidades para opciones predefinidas—para que los agentes puedan tomar decisiones programáticas sin la generación de texto abierto de los grandes modelos de lenguaje. Clef y Clef‑flash son totalmente compatibles con la API Jev de Typesafe, lo que permite incorporarlos a flujos de trabajo existentes para tareas como el enrutamiento de tickets de soporte o la clasificación de datos de inteligencia de amenazas. A diferencia de Jev, añaden un codificador de visión que puede aceptar entradas de imagen y ampliar la ventana de contexto a 64 k tokens, más del doble del límite de 32 k de Jev.
En los benchmarks de toma de decisiones del Índice de Decisiones Jev, Clef y Clef‑flash obtienen puntuaciones competitivas, a menudo superando a Jev. Por ejemplo, Clef logra un 98,47 % en BFCL case‑exact, 69,19 % en ToolRet nDCG@10 y 91,93 % en API‑Bank accuracy, mientras que Clef‑flash alcanza un 98,76 %, 66,43 % y 93,11 % respectivamente. Las mejoras de latencia son notables: Clef‑flash devuelve un resultado en una mediana de 38,8 ms, frente a 524,1 ms de Jev, y el modelo Clef más grande promedia 209,3 ms. Estas ventajas, combinadas con el despliegue en GPU de borde en Workers AI, permiten a los desarrolladores colocar Clef en la ruta crítica de los sistemas agénticos para decisiones rápidas y fiables.
La imagen ilustra el compromiso entre la precisión en la toma de decisiones y el tiempo de respuesta, mostrando la latencia superior de Clef‑flash y sus resultados competitivos en los benchmarks.
Más allá de los modelos base, Cloudflare ofrece un servicio de fine-tuning con aprendizaje por refuerzo. Los clientes pueden trabajar con el equipo de ingenieros desplegado previamente de Cloudflare para crear conjuntos de datos mediante AI Gateway, generar rollouts en Workers AI, puntuar acciones en sandboxes de RL basados en contenedores, actualizar pesos con un entrenador dedicado y volver a desplegar el modelo personalizado utilizando la capacidad Bring Your Own Model de Workers AI. El entrenamiento parte de las spines Qwen (Qwen3.8‑27B para Clef, Qwen3.5‑9B para Clef‑flash), aplica entropía cruzada con suavizado de etiquetas y pérdida de Brier para probabilidades calibradas, y emplea un objetivo novel de Aprendizaje por Refuerzo para Decisiones Calibradas (RLCD) para mejorar la precisión evitando el desplazamiento de distribución. Esto permite a las organizaciones adaptar Clef a cargas de trabajo especializadas como clasificación de Confianza y Seguridad o detección de bots sin sacrificar la velocidad y la estructura que los modelos de decisión proporcionan.