Cloudflare ha ingresado formalmente en la competencia de modelos de decisión con el lanzamiento de Clef y Clef-flash. Estas herramientas están orientadas a resolver consultas estructuradas, como clasificaciones o preguntas de opción múltiple, diferenciándose de los modelos de lenguaje de propósito general. Según la compañía, sus nuevos sistemas superan a Jev, una propuesta previa de TypeSafe, en tres de las cuatro áreas evaluadas por sus pruebas internas.

La integración de estos modelos permite a los desarrolladores incorporar decisiones automatizadas en sus flujos de trabajo. Mientras que Clef utiliza una base de Qwen3.8-27B, la versión más ligera, Clef-flash, se apoya en Qwen3.5-9B. La arquitectura permite realizar un pase de prefill seguido de una puntuación paralela de opciones, buscando optimizar el equilibrio entre velocidad y precisión.

Desempeño y requisitos técnicos

Aunque Cloudflare sostiene que Clef aventaja a Jev en rendimiento, los resultados aún no han sido validados por terceros ni reproducidos en el índice oficial de Hugging Face, donde se alojan los pesos bajo la licencia Apache-2.0. La empresa admite que la superioridad reportada es una conclusión basada en sus propios benchmarks internos.

El uso local de estos modelos impone una barrera de entrada significativa debido a la demanda de hardware. Para una sola concurrencia con una ventana de contexto de 64.000 tokens, Clef-flash exige al menos 41 GB de VRAM, mientras que la versión estándar requiere 85 GB. Alternativamente, los usuarios pueden acceder a través del servicio Workers AI, aunque el costo operativo asciende a 0,24 dólares por cada millón de tokens, una tarifa superior a la de su competidor directo.

Capacidades multimodales

Una de las ventajas competitivas que destaca Cloudflare es la capacidad de Clef para procesar imágenes y video, además de texto. Esta característica amplía el espectro de aplicaciones para las que el modelo puede ser configurado, manteniendo compatibilidad con la API de Jev. A pesar de ser presentados como modelos de pesos abiertos, la compañía aclaró que los conjuntos de datos utilizados para su entrenamiento no son públicos, manteniendo parte del proceso bajo reserva corporativa.