Cloudflare发布Clef决策模型：分类直接返回概率，自助微调平台仍在后续计划

2026年10月1日，Cloudflare发布Clef与Clef-flash两款决策模型，已提供Workers AI托管调用，并在Hugging Face以Apache 2.0许可开放。官方公告把它们定位为结构化分类工具：输入上下文与候选选项，输出类型明确的判断和概率，服务于智能体工作流中的分流环节。

当任务只是选择，不一定要生成长答案

例如，一个支持系统收到“导出一直失败，但在线查看正常”的反馈，需要判断问题类别和紧急程度。自由生成模型可能给出一段解释，再由程序提取结论；决策模型则围绕预设字段直接评分。这样的输出更容易接到队列、筛选器或任务分派逻辑，省去从自然语言中重新解析类别的一层处理。

Clef支持图像输入与64k上下文，公告称其使用非自回归的决策步骤。对这些技术特点，更稳妥的理解是缩小了输出形式，优化了特定工作，而不是让所有复杂任务都变成分类。需要写报告、推导开放问题或理解尚未定义的目标时，应用仍可能需要另一种模型或人工判断。

AI模型生成的概念插图，用分流装置表现结构化选择，并非模型实物、发布照片或产品截图。

概率有用，但要放回真实分布

一个字段返回“紧急”的高概率，只说明模型在给定输入和选项下倾向该答案。若选项漏掉“信息不足”，或者实际反馈常常混合多个问题，程序可能得到格式完全正确、业务含义却不合适的结果。因此，候选类别如何设计，会直接影响模型有多少机会表达不确定。

另一层区别是错误代价。把普通咨询送到技术组，通常只是多一次转交；把大范围服务故障当成普通咨询，则可能延误处理。同一概率阈值不必适用于所有类别。团队可以根据漏报与误报的后果，为不同动作设置不同门槛，让模型的分数成为规则的输入，而不是自动获得操作权限。

性能数字属于发行方测试

Cloudflare公布了多项质量与延迟对比，但这些结果是发行方在相应评测条件下得到的，不代表每个业务负载都能获得同样提升。短文本分类和带图像、长上下文的请求，对系统的压力也不同；端到端耗时还会包含读取资料、网络传输与下游动作。

本次同时宣布的微调服务，当前由工程师团队协助客户开展；自助收集数据、训练与重新部署的平台属于后续方向。两款模型可用，不等于自助强化学习产品已经全面上线。对于拥有历史标签的团队，这提供了进一步定制的路径，但标签来自旧流程，也可能继承旧流程的分类偏差。

Clef值得关注的地方，是把智能体里经常出现的“小判断”做成可独立调用的组件。应用设计可以据此把资料获取、分类、解释和执行拆开，分别衡量速度与错误。模型越专注，周围流程的定义也越需要清楚。