Cloudflare: Clef

Cloudflare Clef er den større tætte model i Clef-familien af beslutningsmodeller, eftertrænet på Qwen3.8-27B med dens vision-encoder. Cloudflare kombinerer denne grundmodel med et fælles skemahoved, som knytter evidens til spørgsmålene og scorer deres tilladte svarmuligheder samlet. Clef læser en situation og returnerer afgrænsede beslutninger med sandsynligheder i én fremadrettet beregning. Outputtet er et klassifikationsresultat frem for genereret prosa, en åben rapport eller en foreslået kommando.

Forbered tilstanden og spørgsmålsskemaet som særskilte input. Tilstanden kan være en streng eller JSON, der repræsenterer en post, en samtale, dokumentindhold eller en situation i en applikation. Spørgsmålene har stabile navne som nøgler, og de samme navne identificerer deres returnerede svar. Definér, hvad hvert spørgsmål skal fastslå, og beskriv de relevante svarmuligheder. En supportpost kan spørge, hvilket team der skal håndtere anmodningen, om påvirkningen er akut, og hvilket alvorlighedskriterium der gælder, uden at samle disse forskellige beslutninger i én vag kategori.

Et noul-spørgsmål returnerer sandsynligheden for sand for en binær betingelse. Et choice-spørgsmål returnerer en valgt navngiven mulighed, sandsynligheder for hver mulighed og konfidens. Et score-spørgsmål bruger en ordnet liste af beskrivelser med indeks fra nul og returnerer en forventet score, en tegnforklaring og sandsynligheder. En score med decimaler er meningsfuld, fordi den sammenfatter usikkerhed på tværs af ordnede niveauer. Undersøg både fordelingen og det valgte svar; to svarmuligheder, der ligger tæt, kan afsløre en forskel, som inputtet ikke afklarer.

Ved regelkontrol skal den faktiske regeltekst og postens fakta medtages. Et eksempel er en arbejdsgang til dokumentbehandling med spørgsmål om, hvorvidt posten er komplet, hvilken gennemgangskategori der gælder, og hvor stærkt evidensen taler for øjeblikkelig opmærksomhed. Stil særskilte spørgsmål for særskilte betingelser. En models vurdering af regeloverholdelse bør forblive knyttet til den indsendte regel og evidens. Hvis en vigtig betingelse mangler, skal skemaet og applikationen have en bevidst fastlagt måde at håndtere denne usikkerhed på.

Ved visuel evidens skal du indsende et læsbart billede og et spørgsmål om et synligt forhold eller en defineret kategori. En kontrol af en formulars kvalitet kan vurdere læselighed, om et påkrævet område er til stede, og hvilket af de angivne kvalitetsniveauer der bedst beskriver den. Producentens grænseflade til åbne modelvægte accepterer også arrays af videobilleder. Bevar billedernes rækkefølge, og identificér den hændelse, der skal vurderes. Et afgrænset beslutningsskema kan klassificere dette materiale, mens en anmodning om en fortællende beskrivelse eller vilkårlige nygenererede felter hører til en anden type output.

Producentens hostede reference angiver en kontekst på 65.536 tokens, ét til 64 spørgsmål og op til fire indlejrede billeder. PNG-, JPEG- eller WebP-billeder er begrænset til 4 MiB og 16 megapixels pr. billede med i alt 8 MiB afkodede data; hele anmodningsindholdet er begrænset til 13 MiB, og eksterne billedlinks accepteres ikke. Inputbudgettet omfatter spørgsmål og medier. Lang tekst kan blive afkortet for at passe, så bevar afgørende passager og kildeetiketter. Disse grænser beskriver producentens hostede billedgrænseflade; encoderen med åbne modelvægte har sine egne repræsentationer af lokale input.

Cloudflares udgivelse beskriver træning til skemabundet scoring og sandsynlighedskalibrering. Modellen udtrækker relevant evidens for de enkelte svarmuligheder og tager derefter information på tværs af felter i betragtning. Det kan understøtte beslutninger om flere relaterede spørgsmål i én post, men en høj sandsynlighed bliver ikke dermed en garanti for, at det underliggende forhold er sandt. Vurdér vanskelige, ufuldstændige og kategorifremmede poster såvel som ligetil tilfælde. Nyttige beslutningskriterier dækker de situationer, arbejdsgangen faktisk møder, og gør vigtige forskelle eksplicitte.

I en agents arbejdsgang kan outputtet afgøre, hvilket defineret næste trin der bør overvejes. Indsend den aktuelle observation og mulige handlinger med tydelige beskrivelser, og gem derefter den valgte mulighed og dens sandsynligheder. Den omgivende applikation anvender sin handlingspolitik og registrerer, hvad den gjorde. Hold denne udførelsesregistrering adskilt fra beslutningsresultatet: At vælge en vej til gennemgang fastslår ikke, at en kontrollant har handlet, og at vælge et diagnostisk trin fastslår ikke, at trinnet lykkedes.

Det endelige resultat er answers-objektet sammen med den tilstand og det skema, som frembragte det. Brug disse registreringer til at undersøge uventede klassifikationer, identificere tvetydige kriterier og sammenligne resultater med gennemgåede opgaveeksempler. Hvis en efterfølgende bruger har brug for en skriftlig forklaring, kan beslutningen og den oprindelige evidens være input til et særskilt svarskrivningstrin. Clef leverer den afgrænsede sandsynlighedsbaserede beslutning, der kræves for at vælge næste trin med en tydelig redegørelse for, hvad der blev vurderet.