title: Cloudflare 推出開放權重決策模型 Clef：38.8 毫秒給出答案，正面挑戰 Jev --- **Category** - [AI](https://www.soft4fun.net/category/tech/ai) - [新聞](https://www.soft4fun.net/category/tech/news) - [科技](https://www.soft4fun.net/category/tech) **Tag** - [AI](https://www.soft4fun.net/tag/ai) - [CloudFlare](https://www.soft4fun.net/tag/cloudflare) - [JEV](https://www.soft4fun.net/tag/jev) - [System-one Model](https://www.soft4fun.net/tag/system-one-model) **圖片清單** - ![Cloudflare 推出開放權重決策模型 Clef：38.8 毫秒給出答案，正面挑戰 Jev 01M3TJV43SPQCPKJ6GBXFCDKNE.01M3TJV53VYDMVNCZDPH1FBFYN](https://cf.img.soft4fun.net/2026/10/01M3TJV43SPQCPKJ6GBXFCDKNE.01M3TJV53VYDMVNCZDPH1FBFYN.png "01M3TJV43SPQCPKJ6GBXFCDKNE.01M3TJV53VYDMVNCZDPH1FBFYN") --- [CloudFlare](https://www.soft4fun.net/tag/cloudflare) 推出開放權重決策模型 Clef 與 Clef-flash，直接對標 [JEV](https://www.soft4fun.net/tag/jev) 引爆的「決策模型」風潮。Clef 不像一般大型語言模型逐字吐出文字，而是針對預先定義好的選項直接給出機率；官方宣稱 Clef-flash 的中位延遲只有 38.8 毫秒，並以 Apache 2.0 授權釋出權重，連同一套強化學習微調平台一併亮相。 這項發表在 10 月 1 日於 Hacker News 衝上近 400 分，也被 Slashdot、MarkTechPost 等科技媒體跟進報導，成為近期決策模型競賽中最具份量的一次出手。 ![Cloudflare 推出開放權重決策模型 Clef：38.8 毫秒給出答案，正面挑戰 Jev 01M3TJV43SPQCPKJ6GBXFCDKNE.01M3TJV53VYDMVNCZDPH1FBFYN](https://cf.img.soft4fun.net/2026/10/01M3TJV43SPQCPKJ6GBXFCDKNE.01M3TJV53VYDMVNCZDPH1FBFYN.png "Cloudflare 推出開放權重決策模型 Clef：38.8 毫秒給出答案，正面挑戰 Jev 01M3TJV43SPQCPKJ6GBXFCDKNE.01M3TJV53VYDMVNCZDPH1FBFYN")圖片來源：[Cloudflare 官方部落格](https://blog.cloudflare.com/clef-decision-models/) ## Clef 是什麼：不寫字，只做選擇 根據 Cloudflare 官方部落格（作者為 Michelle Chen、Alex Reneau 與 Kevin Flansburg），Clef 是一組為代理式工作流程設計的決策模型，輸出的是受限的結構化結果與機率，而不是開放式文字。官方說明它採非自回歸方式，一次平行評分所有候選選項，而不是逐 token 生成。 依 MarkTechPost 整理，這個系列包含 27B 參數的 Clef 與 9B 參數的 Clef-flash，兩者皆以 Apache 2.0 授權，可在 Workers [AI](https://www.soft4fun.net/tag/ai) 上使用，也能從 Hugging Face 下載自行部署。題型分為是非題的機率、多選項的各選項機率，以及依評分標準給出的加權分數，單次請求最多可帶 64 個問題，並支援文字、JSON、圖片與影片輸入。 ## 與 Jev 的對比：速度與視覺能力是主打 Cloudflare 的比較對象明確指向 Jev。官方指出 Clef 能分類圖片，而 Jev 僅支援文字；上下文長度為 64k，是 Jev 的兩倍。在 Cloudflare 採用 Jev 決策指標所做的測試中，Clef-flash 的 BFCL 案例完全比對得分為 98.76，高於 Jev 的 95.75；Clef 在工具檢索 ToolRet nDCG@10 為 69.19，同樣領先 Jev 的 65.28。 速度差距則更顯著：Clef-flash 的中位延遲為 38.8 毫秒，Clef 為 209.3 毫秒，Jev 為 524.1 毫秒。Cloudflare 並舉內部案例，領域分類任務在 Clef 上花 2.2 秒，同樣工作交給 gpt-oss-120b 則需要 4.7 秒。這些數字都來自 Cloudflare 自家的測試，尚未見到第三方獨立複測。 MarkTechPost 的整理同時提到，Jev 在知識密集型任務仍然領先，例如 GPQA Diamond 為 78.3 對 48.0、MMLU-Pro 為 82.7 對 65.9，顯示兩者定位並不完全相同：Clef 偏向快速分類與路由，不是用來取代通用推理模型。 ## 附帶亮相的強化學習微調服務 除了模型本身，Cloudflare 也預告一套以私有資料進行強化學習微調的平台。目前採由駐點工程師協助的方式，企業可透過設計夥伴表單申請；官方規劃的自助版將整合 AI Gateway 自動建立資料集、以 Workers AI 部署模型、用 Cloudflare Containers 作為強化學習沙盒，並支援自帶模型。Cloudflare 也聲明不會讀取、儲存或拿用戶請求來訓練。 在定價方面，各媒體整理的數字不一，Cloudflare 官方部落格頁面目前並未列出明確的計價結構，實際費用以官方公布為準。 ## 決策模型競賽升溫 TechCrunch 同日報導指出，Amazon 也推出自家的 Jev 類似模型，OpenAI 先前亦有同類動作，加上 Cloudflare 這次以開放權重切入，「專做毫秒級決策的小模型」正快速從單一新創的點子變成各大平台的標準配備。對開發者而言，這類模型適合放在代理流程的路由、意圖分類與工具選擇環節，用低成本、低延遲的方式取代每一步都呼叫大型模型的做法。 至於實際效果能否在不同場景複製，仍有待社群拿到權重後獨立驗證。 ## 來源 [Cloudflare 官方部落格：Introducing Clef](https://blog.cloudflare.com/clef-decision-models/)；[MarkTechPost](https://www.marktechpost.com/2026/10/01/cloudflare-releases-clef-and-clef-flash/)；[Slashdot](https://tech.slashdot.org/story/26/10/01/2110250/cloudflare-tries-to-outplay-jev-with-open-weight-clef-models)。 #### 更多AI相關報導 - [Cloudflare 推出開放權重決策模型 Clef：38.8 毫秒給出答案，正面挑戰 Jev](https://www.soft4fun.net/tech/news/cloudflare-clef-open-weight-decision-models-challenge-jev.htm) - [Google 發表 Gemini 4 Argon：13 基準領 、輸出上限 100 萬 token，導 價只要 GPT-6 Astra 五分之一](https://www.soft4fun.net/tech/news/google-gemini-4-argon-launch-1m-output-tokens-fairwind.htm) - [OpenAI 推出 ChatGPT Space：讓團隊、ChatGPT 與 dots 代理 用一個 AI 工作空間](https://www.soft4fun.net/tech/ai/openai-chatgpt-space-team-workspace-dots-devday-2026.htm) - [OpenAI 推出 GPT-6.1 Sol：五分之一價格逼近旗艦 Astra，速度版最高快 8 倍](https://www.soft4fun.net/tech/ai/openai-gpt-6-1-sol-launch-near-astra-one-fifth-price-ultrafast.htm) - [OpenAI緊急二度暫停頂尖模型訓練：研究用AI代理靠DNS偷渡上網，成功連上外部聊天機器人](https://www.soft4fun.net/tech/news/openai-agent-dns-tunnel-sandbox-escape-second-training-pause.htm) 📖 延伸閱讀：AI 為你整理的 5 個重點問題[Q1. 如果想在現有的 AI 專案中引進像 Clef 這類決策模型，應該把它放在系統的哪個位置，才能達到最大化的降本提效？→](https://www.soft4fun.net/tech/news/cloudflare-clef-open-weight-decision-models-challenge-jev.htm/faq/1)[Q2. 在面對不同的業務需求時，該如何判斷何時該用毫秒級的 Clef-flash，何時又該回歸傳統的大型語言模型？→](https://www.soft4fun.net/tech/news/cloudflare-clef-open-weight-decision-models-challenge-jev.htm/faq/2)[Q3. 從傳統逐字生成的 LLM 切換到「只給機率」的決策模型時，開發者最容易遇到哪些雷區？→](https://www.soft4fun.net/tech/news/cloudflare-clef-open-weight-decision-models-challenge-jev.htm/faq/3)[Q4. 為什麼 Clef-flash 能做到不到 40 毫秒的超低延遲？背後最關鍵的技術差異是什麼？→](https://www.soft4fun.net/tech/news/cloudflare-clef-open-weight-decision-models-challenge-jev.htm/faq/4)[Q5. 掌握了這類開放權重的決策模型後，未來還能關注哪些具備潛力的進階應用場景？→](https://www.soft4fun.net/tech/news/cloudflare-clef-open-weight-decision-models-challenge-jev.htm/faq/5)想知道這些問題的解答嗎？