Cloudflare veröffentlicht Clef, ein multimodales Entscheidungsmodell für strukturierte KI-Aufgaben

Cloudflare hat Clef eingeführt, ein neues multimodales Entscheidungsmodell, das für die Bewältigung strukturierter Aufgaben wie die Extraktion von Dokumentenfeldern und das Request-Routing entwickelt wurde. Das im frühen Oktober 2026 veröffentlichte Modell mit 27 Milliarden Parametern wurde auf Basis von Qwen3.8-27B feinabgestimmt und lässt sich über Standard-APIs direkt in bestehende KI-Engineering-Workflows integrieren.

Was passiert ist

Clef markiert einen Wandel hin zu spezialisierten Entscheidungsmodellen anstelle von Allzweck-Chatbots. Das Modell kann Text, JSON-Strukturen und Bilder gleichzeitig verarbeiten. Dies ermöglicht es ihm, Screenshots, Belege, Formulare und Fotos zusammen mit textuellen Daten zu analysieren, um deterministische Entscheidungen zu treffen. Cloudflare gibt an, dass Clef derzeit den Decision Index anführt, ihre interne Rangliste für Entscheidungsmodelle, und seinen Vorgänger Jev in den meisten Benchmark-Suiten übertrifft.

Die Veröffentlichung umfasst volle Kompatibilität mit den Jev- und System-One-APIs. Das bedeutet, dass Entwickler Clef über den /v1/systemone-Endpoint von Ollama bereitstellen können, ohne ihre Integrationslogik neu schreiben zu müssen. Eine kleinere, schnellere Variante namens clef-flash ist ebenfalls verfügbar für Anwendungsfälle, bei denen Latenz kritischer ist als maximale Genauigkeit. Beide Versionen werden unter der Apache-2.0-Lizenz veröffentlicht, was eine breite kommerzielle und Open-Source-Nutzung ermöglicht.

Wie es funktioniert

Im Gegensatz zu traditionellen autoregressiven Sprachmodellen, die Text Token für Token generieren, arbeitet Clef in einem einzelnen nicht-autoregressiven Vorwärtsdurchlauf. Es bewertet jede mögliche Option für jede Frage gemeinsam. Diese Architektur reduziert die Inferenzzeit für Klassifizierungs- und Extraktionsaufgaben erheblich, da das Modell keine ausführlichen Erklärungen generieren muss, bevor es zu einer Schlussfolgerung kommt. Stattdessen gibt es strukturierte Wahrscheinlichkeiten für vordefinierte Auswahlmöglichkeiten aus.

Das Modell unterstützt ein Kontextfenster von 64K, was doppelt so groß ist wie das 32K-Fenster von Jev. Dieses größere Kontextfenster ermöglicht es Clef, längere Dokumente oder komplexere Anweisungssets in einem Durchgang zu verarbeiten. Wenn Bilder in die Anfrage einbezogen werden, werden sie kodiert und zusammen mit dem Text bewertet. Diese gemeinsame Bewertung stellt sicher, dass visuelle Hinweise, wie das Layout eines Formulars oder ein Stempel auf einem Beleg, die endgültige Entscheidung neben dem Textinhalt beeinflussen.

Entwickler interagieren mit Clef, indem sie einen state (die zu bewertenden Daten) und eine Liste von questions senden. Die Fragen definieren die Art der erforderlichen Entscheidung, wie z. B. eine Multiple-Choice-Auswahl, eine binäre Ja/Nein-Prüfung oder eine bewertete Einstufung. Das Modell gibt die gewählte Option zusammen mit Wahrscheinlichkeitsverteilungen und einer Konfidenzmessgröße zurück. Dieser Konfidenzwert zeigt an, wie konzentriert die Wahrscheinlichkeiten sind, und hilft Ingenieuren dabei, zu bestimmen, wann sie der Ausgabe vertrauen oder sie an einen menschlichen Prüfer eskalieren sollten.

Wichtige Details

• Modellgröße: 27 Milliarden Parameter, feinabgestimmt von Qwen3.8-27B.
• Kontextfenster: 64K Tokens, unterstützt lange Dokumente und komplexe Anweisungen.
• Eingabetypen: Text, JSON und base64-kodierte Bilder (PNG, JPEG, WebP).
• Bereitstellung: Kompatibel mit Ollama über den /v1/systemone-Endpoint; installierbar via ollama pull clef.
• Lizenz: Apache 2.0, erlaubt kostenlose kommerzielle Nutzung und Modifikation.
• Ausgabeformat: Strukturiertes JSON mit Optionen, Wahrscheinlichkeiten und Konfidenzwerten.

Warum es wichtig ist

Für Software-Ingenieure, die KI-Agenten entwickeln, bietet Clef eine zuverlässigere Alternative zum Prompting großer Sprachmodelle für einfache Klassifizierungsaufgaben. Allgemeine LLMs neigen oft dazu, zu halluzinieren oder inkonsistente Formatierungen bereitzustellen, wenn sie gebeten werden, spezifische Felder aus Dokumenten zu extrahieren. Ciefs nicht-autoregressive Design und das strukturierte Ausgabeformat reduzieren diese Fehler, indem das Modell gezwungen wird, aus vordefinierten Optionen zu wählen. Dies erleichtert die Integration von KI-Entscheidungen in deterministische Geschäftslogik, wie das Routing von Support-Tickets oder die Genehmigung von Spesenberichten.

Die Fähigkeit, Bilder und Text in einem einzigen Durchlauf zu verarbeiten, vereinfacht auch multimodale Pipelines. Früher benötigten Ingenieure möglicherweise separate OCR-Tools und Sprachmodelle, die sie mit fragiler Fehlerbehandlung verketteten. Clef vereinheitlicht diesen Prozess und ermöglicht es, mit einem einzigen API-Aufruf eine gescannte Rechnung zu interpretieren und Schlüsselwerte wie Datum und Gesamtbetrag zu extrahieren. Die Open-Source-Lizenz senkt zudem die Einstiegshürde und ermöglicht es Teams, das Modell selbst zu hosten, um die Datenschutzkonformität ohne Lizenzgebühren zu gewährleisten.

Was Sie tun können

• Installieren Sie Clef lokal über Ollama, indem Sie ollama pull clef in Ihrem Terminal ausführen.
• Ersetzen Sie bestehende Klassifizierungs-Prompts durch das strukturierte Frageformat von Clef, um die Genauigkeit zu verbessern.
• Verwenden Sie das Feld images, um Screenshots oder gescannte Dokumente zur gemeinsamen Text-Bild-Analyse zu übermitteln.
• Implementieren Sie Konfidenzschwellenwerte in Ihrer Anwendung, um Entscheidungen mit geringer Sicherheit zur menschlichen Überprüfung zu kennzeichnen.
• Testen Sie die clef-flash-Variante, wenn Ihre Anwendung geringere Latenzzeiten für hochvolumige Aufgaben erfordert.
• Überprüfen Sie die Dokumentation der System-One-API, um Ihre aktuellen Jev-Integrationen auf Clef abzubilden.