Cloudflare: Clef

Cloudflare Clef ist das größere dichte Modell der Clef-Entscheidungsfamilie, nachtrainiert auf Grundlage von Qwen3.8-27B mit dessen Vision-Encoder. Cloudflare kombiniert diese Grundarchitektur mit einem gemeinsamen Schemakopf, der Belege den Fragen zuordnet und deren zulässige Optionen zusammen bewertet. Clef liest eine Situation und gibt in einem einzigen Vorwärtsdurchlauf begrenzte Entscheidungen mit Wahrscheinlichkeiten zurück. Seine Ausgabe ist ein Klassifikationsergebnis statt generierter Prosa, eines offenen Berichts oder eines vorgeschlagenen Befehls.

Bereiten Sie Zustand und Fragenschema als getrennte Eingaben vor. Der Zustand kann eine Zeichenfolge oder JSON sein, das einen Datensatz, ein Gespräch, Dokumentinhalt oder eine Anwendungssituation repräsentiert. Fragen werden über stabile Namen identifiziert, und dieselben Namen kennzeichnen ihre zurückgegebenen Antworten. Definieren Sie, was jede Frage feststellen soll, und beschreiben Sie die relevanten Optionen. Ein Support-Datensatz kann fragen, welches Team die Anfrage bearbeiten soll, ob die Auswirkungen dringend sind und welches Schweregradkriterium zutrifft, ohne diese unterschiedlichen Entscheidungen in einer vagen Kategorie zusammenzufassen.

Eine noul-Frage gibt für eine binäre Bedingung die Wahrscheinlichkeit von wahr zurück. Eine choice-Frage gibt eine ausgewählte benannte Option, Wahrscheinlichkeiten je Option und Konfidenz zurück. Eine score-Frage verwendet eine geordnete Liste von Beschreibungen mit Indizes ab null und gibt einen Erwartungswert, eine Legende und Wahrscheinlichkeiten zurück. Ein Score mit Nachkommastellen ist sinnvoll, weil er Unsicherheit über geordnete Stufen zusammenfasst. Prüfen Sie neben der ausgewählten Antwort auch die Verteilung; zwei nahe beieinanderliegende Optionen können einen Unterschied sichtbar machen, den die Eingabe nicht klärt.

Nehmen Sie für Richtlinienprüfungen den tatsächlichen Regeltext und die Fakten des Datensatzes auf. Ein Beispiel ist ein Workflow zur Dokumentenverarbeitung mit Fragen dazu, ob der Datensatz vollständig ist, welche Prüfungskategorie zutrifft und wie stark die Belege für sofortige Aufmerksamkeit sprechen. Stellen Sie für getrennte Bedingungen getrennte Fragen. Eine Modellbewertung der Regelkonformität sollte mit der bereitgestellten Regel und den Belegen verbunden bleiben. Fehlt eine wichtige Bedingung, sollten Schema und Anwendung einen bewusst festgelegten Umgang mit dieser Unsicherheit vorsehen.

Stellen Sie für visuelle Belege ein lesbares Bild und eine Frage zu einem sichtbaren Zustand oder einer definierten Kategorie bereit. Eine Formularqualitätsprüfung könnte die Lesbarkeit bewerten, prüfen, ob ein erforderlicher Bereich vorhanden ist, und bestimmen, welche der bereitgestellten Qualitätsstufen das Formular am besten beschreibt. Die Schnittstelle des Herstellers für offene Gewichte akzeptiert auch Arrays von Videoeinzelbildern. Halten Sie die Einzelbilder in der richtigen Reihenfolge und benennen Sie das zu bewertende Ereignis. Ein begrenztes Entscheidungsschema kann dieses Material klassifizieren; eine erzählende Beschreibung oder beliebige neu generierte Felder gehören dagegen zu einer anderen Art von Ausgabe.

Die gehostete Herstellerreferenz nennt einen Kontext von 65.536 Tokens, eine bis 64 Fragen und bis zu vier eingebettete Bilder. PNG-, JPEG- oder WebP-Bilder sind jeweils auf 4 MiB und 16 Megapixel begrenzt, insgesamt auf 8 MiB dekodiert; der gesamte Anfragekörper ist auf 13 MiB begrenzt, und externe Bildlinks werden nicht akzeptiert. Das Eingabebudget umfasst Fragen und Medien. Langer Text kann passend gekürzt werden; bewahren Sie daher entscheidende Passagen und Quellenbezeichnungen. Diese Grenzen beschreiben die gehostete Bildschnittstelle des Herstellers; der Encoder mit offenen Gewichten hat eigene lokale Eingaberepräsentationen.

Cloudflares Veröffentlichung beschreibt ein Training für schemagebundene Bewertung und Wahrscheinlichkeitskalibrierung. Das Modell extrahiert relevante Belege für einzelne Optionen und berücksichtigt anschließend Informationen über mehrere Felder hinweg. Das kann Entscheidungen zu mehreren zusammenhängenden Fragen in einem Datensatz unterstützen, macht eine hohe Wahrscheinlichkeit aber nicht zur Garantie, dass der zugrunde liegende Sachverhalt wahr ist. Bewerten Sie schwierige, unvollständige und außerhalb der Kategorien liegende Datensätze ebenso wie eindeutige Fälle. Nützliche Entscheidungskriterien decken die Situationen ab, die der Workflow tatsächlich antrifft, und benennen wichtige Unterschiede ausdrücklich.

In einem Agenten-Workflow kann die Ausgabe bestimmen, welcher definierte nächste Schritt erwogen werden soll. Stellen Sie die aktuelle Beobachtung und mögliche Aktionen mit klaren Beschreibungen bereit und bewahren Sie anschließend die ausgewählte Option und ihre Wahrscheinlichkeiten. Die umgebende Anwendung wendet ihre Aktionsrichtlinie an und protokolliert, was sie getan hat. Halten Sie dieses Ausführungsprotokoll vom Entscheidungsergebnis getrennt: Die Auswahl eines Prüfwegs belegt nicht, dass ein Prüfer tätig wurde, und die Auswahl eines Diagnoseschritts belegt nicht, dass dieser Schritt erfolgreich war.

Das abschließende Artefakt ist das answers-Objekt zusammen mit dem Zustand und dem Schema, die es erzeugt haben. Verwenden Sie diese Datensätze, um unerwartete Klassifikationen zu untersuchen, mehrdeutige Kriterien zu identifizieren und Ergebnisse mit geprüften Aufgabenbeispielen zu vergleichen. Benötigt ein nachgelagerter Nutzer eine schriftliche Erklärung, können die Entscheidung und die ursprünglichen Belege als Eingaben für einen separaten Antwortschreibschritt dienen. Clef liefert die begrenzte probabilistische Entscheidung, die zur Auswahl dieser nächsten Stufe benötigt wird, mit einer klaren Darstellung dessen, was bewertet wurde.