Cloudflare 于 10 月 9 日正式发布开放权重决策模型 Clef-omni，新增对音频与视频的原生多模态支持。用户可通过单一 API 接口同时处理 wav、mp3、mp4、webm 等多种音视频格式，无需额外部署语音转写或音视频拆分流程。该模型基于 Qwen3-Omni-30B-A3B-Instruct 构建，主要面向结构化决策任务，输出最优解及对应概率评分而非常规文本。性能方面，纯文本请求中位响应时间约 130 毫秒，图像约 150 毫秒，整体推理效率处于业界领先水平。
从文本图像到音视频：多模态能力升级
Clef-omni 在前代 Clef 的文本与图像处理基础之上，首次将音频和完整视频纳入原生输入范畴。传统方案处理视频时，通常需要先调用语音识别将音频转写为文本，再对图像序列进行独立处理，流程繁琐且延迟较高。Clef-omni 则可对 mp4、webm 等完整视频文件直接进行端到端理解，开发者只需一次 API 调用即可获得结构化决策结果。
技术底座与开放生态
Clef-omni 以 Qwen3-Omni-30B-A3B-Instruct 为基座，保留了 Qwen 系列的原生多模态理解能力。该模型不生成常规文本回复，而是专注于从预设选项中选出最优方案，并附带各选项的概率评分，适用于路由分发、内容分类、AI Agent 动作选择等场景。模型权重已在 Hugging Face 开放，开发者可自由部署与微调。
这是 Clef 系列自今年早些时候开源文本图像版本以来最重要的一次迭代升级，也是 Cloudflare 在 AI 基础设施领域从网络加速向模型层拓展的关键一步。
相关阅读：Cloudflare 开源 Clef 决策模型：39ms 出结果，让 AI Agent 路由不再卡壳
延伸阅读
- Jev 估值百亿美元背后：17 天内 OpenAI、亚马逊、Cloudflare 全部跟进1 周前
- Kimi K3开放权重：2.8万亿参数MoE开源，MoonEP/FlashKDA/AgentEnv三项Infra同步公开8 小时前
- Cloudflare 开源 Clef 决策模型：39ms 出结果，让 AI Agent 路由不再卡壳1 周前
- 微软Decision-1发布：36项基准83.5%准确率，延迟比GPT-6 Sol快35倍14 小时前
AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。