Cloudflare: Clef

Cloudflare Clef ist das größere dichte Modell der Clef-Entscheidungsfamilie und per Post-Training aus Qwen3.8-27B mit dessen Vision-Encoder entstanden. Cloudflare kombiniert dieses Backbone mit einem gemeinsamen Schema-Kopf, der Belege den Fragen zuordnet und deren zulässige Optionen gemeinsam bewertet. Clef liest eine Situation und liefert in einem einzigen Vorwärtsdurchlauf eingegrenzte Entscheidungen mit Wahrscheinlichkeiten. Seine Ausgabe ist ein Klassifizierungsergebnis statt generierter Prosa, eines offenen Berichts oder eines vorgeschlagenen Befehls.

Bereiten Sie den Zustand und das Fragenschema als getrennte Eingaben vor. Der Zustand kann eine Zeichenkette oder JSON sein und einen Datensatz, eine Konversation, Dokumentinhalte oder eine Anwendungssituation darstellen. Fragen werden mit stabilen Namen als Schlüssel angelegt, und dieselben Namen kennzeichnen die zurückgegebenen Antworten. Legen Sie fest, was jede Frage klären soll, und beschreiben Sie die relevanten Optionen. Ein Support-Datensatz kann fragen, welches Team die Anfrage bearbeiten soll, ob die Auswirkung dringend ist und welches Schweregradkriterium zutrifft, ohne diese unterschiedlichen Entscheidungen zu einer vagen Kategorie zusammenzufassen.

Eine „noul“-Frage liefert die Wahrscheinlichkeit für „wahr“ bei einer binären Bedingung. Eine „choice“-Frage liefert eine ausgewählte benannte Option, Wahrscheinlichkeiten pro Option und eine Konfidenz. Eine „score“-Frage verwendet eine geordnete Liste von Beschreibungen mit einem Index ab null und liefert einen erwarteten Score, eine Legende und Wahrscheinlichkeiten. Ein Bruchwert als Score ist aussagekräftig, weil er die Unsicherheit über geordnete Stufen zusammenfasst. Prüfen Sie neben der ausgewählten Antwort auch die Verteilung; zwei nah beieinanderliegende Optionen können eine Unterscheidung offenlegen, die die Eingabe nicht klärt.

Für Richtlinienprüfungen nehmen Sie den tatsächlichen Regeltext und die Fakten des Datensatzes auf. Ein Beispiel ist ein Workflow zur Dokumentverarbeitung mit Fragen danach, ob der Datensatz vollständig ist, welche Prüfkategorie zutrifft und wie stark die Belege eine sofortige Beachtung stützen. Stellen Sie für getrennte Bedingungen getrennte Fragen. Eine Modelleinschätzung der Regelkonformität sollte mit der bereitgestellten Regel und den Belegen verknüpft bleiben. Fehlt eine wichtige Bedingung, sollten Schema und Anwendung einen bewussten Weg haben, mit dieser Unsicherheit umzugehen.

Für visuelle Belege stellen Sie ein lesbares Bild und eine Frage zu einem sichtbaren Zustand oder einer definierten Kategorie bereit. Eine Prüfung der Formularqualität kann die Lesbarkeit bewerten, ob ein erforderlicher Bereich vorhanden ist und welche der bereitgestellten Qualitätsstufen ihn am besten beschreibt. Die Open-Weight-Schnittstelle des Herstellers akzeptiert außerdem Arrays von Videoeinzelbildern. Halten Sie die Einzelbilder in ihrer Reihenfolge und benennen Sie das zu bewertende Ereignis. Ein eingegrenztes Entscheidungsschema kann dieses Material klassifizieren, während eine Anfrage nach einer erzählenden Beschreibung oder nach beliebigen neu generierten Feldern zu einer anderen Art von Ausgabe gehört.

Die gehostete Referenz des Herstellers nennt einen Kontext von 65.536 Token, ein bis 64 Fragen und bis zu vier eingebettete Bilder. PNG-, JPEG- oder WebP-Bilder sind auf jeweils 4 MiB und 16 Megapixel begrenzt, bei insgesamt 8 MiB nach der Dekodierung; der gesamte Request-Body ist auf 13 MiB begrenzt, und Remote-Bildlinks werden nicht akzeptiert. Das Eingabebudget umfasst die Fragen und die Medien. Langer Text kann gekürzt werden, damit er passt; bewahren Sie daher entscheidende Passagen und Quellenangaben. Diese Grenzen beschreiben die gehostete Bildschnittstelle des Herstellers; der Open-Weight-Encoder hat eigene Darstellungen für lokale Eingaben.

Cloudflares Veröffentlichung beschreibt ein Training für schemagebundene Bewertung und die Kalibrierung von Wahrscheinlichkeiten. Das Modell extrahiert relevante Belege für einzelne Optionen und berücksichtigt anschließend Informationen über mehrere Felder hinweg. Das kann Entscheidungen über mehrere zusammenhängende Fragen in einem Datensatz unterstützen, macht eine hohe Wahrscheinlichkeit aber nicht zur Garantie dafür, dass die zugrunde liegende Tatsache zutrifft. Bewerten Sie neben einfachen Fällen auch schwierige, unvollständige und nicht in die Kategorien passende Datensätze. Nützliche Entscheidungskriterien decken die Situationen ab, denen der Workflow tatsächlich begegnet, und machen wichtige Unterscheidungen explizit.

In einem Agenten-Workflow kann die Ausgabe bestimmen, welcher definierte nächste Schritt in Betracht kommt. Liefern Sie die aktuelle Beobachtung und mögliche Aktionen mit klaren Beschreibungen und bewahren Sie anschließend die ausgewählte Option und ihre Wahrscheinlichkeiten auf. 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 der Schritt erfolgreich war.

Das endgültige Artefakt ist das Antwortobjekt zusammen mit dem Zustand und dem Schema, aus denen es hervorgegangen ist. Nutzen Sie diese Aufzeichnungen, um unerwartete Klassifizierungen zu untersuchen, mehrdeutige Kriterien zu erkennen und Ergebnisse mit geprüften Aufgabenbeispielen zu vergleichen. Benötigt ein nachgelagerter Nutzer eine schriftliche Erklärung, können Entscheidung und ursprüngliche Belege als Eingaben für einen separaten Schritt zur Antworterstellung dienen. Clef liefert die eingegrenzte probabilistische Entscheidung, die nötig ist, um diese nächste Stufe mit einer klaren Darstellung dessen zu wählen, was bewertet wurde.