Cloudflare已在Workers AI上发布了Clef和Clef-flash两种开放权重决策模型，并在Hugging Face以Apache 2.0许可证发布。决策模型输出有界的结构化结果——例如预定义选择的概率——使得代理可以在不进行大型语言模型的开放式文本生成的情况下进行程序化决策。Clef和Clef-flash完全兼容Typesafe的Jev API，使得它们可以轻松集成到现有工作流中，用于诸如路由支持工单或分类威胁情报数据等任务。与Jev不同的是，它们增加了一个能够接受图像输入的视觉编码器，并将上下文窗口扩展到64k标记，是Jev的32k限制的两倍多。
在Jev Decision Index的决策基准测试中，Clef和Clef-flash的得分具有竞争力，经常超过Jev。例如，Clef在BFCL case-exact上达到98.47%，在ToolRet nDCG@10上达到69.19%，在API-Bank准确率上达到91.93%；而Clef-flash则达到98.76%，66.43%，和93.11%。延迟方面的改进显著：Clef-flash返回结果的中位数仅为38.8毫秒，而Jev为524.1毫秒，较大的Clef模型平均为209.3毫秒。这些优势结合了Workers AI上的边缘GPU部署，使开发者能够将Clef放置在代理系统的热路径上，以实现快速可靠的决策。
该图图示了决策准确性和响应时间之间的权衡，展示了Clef-flash的卓越延迟和具有竞争力的基准测试结果。
除了基础模型外，Cloudflare还提供强化学习微调服务。客户可以与Cloudflare的前线工程师团队合作，通过AI Gateway构建数据集，在Workers AI上生成rollouts，在基于容器的RL沙箱中评分操作，使用专用训练器更新权重，并利用Workers AI的Bring Your Own Model能力重新部署定制模型。训练以Qwen骨干网络开始（Clef使用Qwen3.8-27B，Clef-flash使用Qwen3.5-9B），应用标签平滑交叉熵和Brier损失以校准概率，并采用一种新颖的用于校准决策的强化学习（RLCD）目标来提高准确性同时防止分布偏移。这使得组织能够将Clef适应诸如信任与安全分类或机器人检测等专门工作负载，而不牺牲决策模型所提供的速度和结构。