Cloudflare Clef-omni: Ny AI-modell forstår fire medietyper i ett kall

Cloudflare har lansert Clef-omni, en ny AI-modell som skiller seg ut ved å behandle fire ulike medietyper – tekst, bilder, lyd og video – i én operasjon. Dette betyr at AI-systemer ikke lenger trenger separate steg for transkripsjon eller bildetekster, noe som forenkler utviklingen av AI-agenter betydelig. Modellen er en såkalt beslutningsmodell; den returnerer typiserte svar med sannsynligheter i stedet for å generere fritekst. Clef-omni er bygget på Qwen3-Omni-30B-A3B-Instruct og har en total størrelse på 30 milliarder parametere, hvorav 3 milliarder er aktive i en MoE-arkitektur. Den er tilgjengelig via Cloudflares Workers AI-plattform til en pris på 0,15 dollar per million tokens. Clef-omni viser spesielt sterke resultater innen klassifisering av brukerintensjon, der den oppnår 97,7 i macro-F1-score på CLINC150+OOS-datasettet. Den kan behandle et 21-sekunders videoklipp med lyd på rundt 1,5 sekunder. Samtidig presterer den noe svakere enn den tekstfokuserte Clef-modellen på komplekse resonneringsoppgaver og visse arbeidsflytevalueringer. Cloudflare har også gjort den eksisterende Clef-modellen 1,7 til 2 ganger raskere, primært gjennom optimalisering av infrastrukturen.