Cloudflare: Clef Omni

Cloudflare Clef Omni es el modelo multimodal de mezcla de expertos de la familia de decisión Clef. Se obtiene mediante postentrenamiento de la base de comprensión Qwen3-Omni-30B-A3B-Instruct, con 30B parámetros totales y 3B activos. Cloudflare añade un cabezal de esquema conjunto que dirige la evidencia hacia las preguntas solicitadas y puntúa conjuntamente sus opciones permitidas. El resultado es una decisión tipada con probabilidades, en lugar de una explicación, una transcripción o una salida de voz generadas.

Prepara dos partes principales: un estado que describe la situación y una correspondencia de preguntas con nombre. El estado puede ser texto o JSON estructurado, y las entradas nativas del modelo incluyen además imágenes, audio y vídeo. Cada pregunta indica qué hay que decidir y qué respuestas se admiten. Mantén estables los identificadores para que la aplicación pueda asociar cada respuesta devuelta con la pregunta original. Unas descripciones claras de las opciones dan sentido a cada categoría; de lo contrario, una etiqueta breve y ambigua puede ocultar justo la distinción que el flujo de trabajo necesita.

El formato de registro contempla tres tipos de pregunta. Una pregunta noul plantea una condición de verdadero/falso y devuelve la probabilidad de verdadero. Una pregunta de elección define opciones con nombre y devuelve la opción seleccionada, las probabilidades de cada opción y un valor de confianza independiente. Una pregunta de puntuación define criterios ordenados, indexados desde cero, y devuelve una puntuación ponderada por probabilidad, una leyenda y las probabilidades. La puntuación puede ser fraccionaria porque refleja una distribución entre niveles. Por tanto, una decisión es más rica que una simple etiqueta, aunque sigue acotada por el esquema proporcionado.

Para la revisión visual, proporciona una imagen nítida y la condición que se debe evaluar. Un ejemplo es un registro de instalación con preguntas sobre si la etiqueta identificativa es visible, cuál de las categorías de estado definidas corresponde y si la evidencia basta para la revisión. Mantén separadas las observaciones: que una etiqueta sea visible es una pregunta distinta de que una instalación parezca completa. La salida puede ayudar a una aplicación a encaminar el registro o a señalar una condición de revisión; por sí misma no realiza una inspección, no modifica un registro ni genera un informe escrito.

Para audio y vídeo, centra las preguntas en la evidencia que el clip proporcionado puede respaldar. Una revisión práctica de equipos podría incluir una foto, una grabación y un vídeo breve, y preguntar si se oye un sonido concreto o si un componente se mueve de forma visible. El fabricante describe que procesa la pista de sonido de un vídeo junto con sus fotogramas cuando todos los vídeos del registro tienen sonido. Conserva la relación entre los contenidos multimedia y el estado escrito, y no pidas al modelo que clasifique un evento que quede fuera del intervalo adjunto.

El perfil alojado del fabricante indica un contexto de 64.000 tokens y de una a 64 preguntas. Admite hasta cuatro imágenes, cuatro clips de audio y dos vídeos, con un límite de 300 segundos por clip de audio y de 60 segundos por vídeo. Estos son los límites de la interfaz documentada del productor. Los contenidos multimedia y las preguntas ocupan contexto; un exceso de multimedia puede hacer que la solicitud falle, mientras que un estado de texto largo puede truncarse para que quepa. Coloca la evidencia decisiva en un registro centrado y prepara las preguntas antes de gastar la ventana en historial no relacionado.

La interfaz alojada del fabricante recibe contenidos multimedia incrustados en lugar de enlaces remotos. Sus imágenes PNG, JPEG o WebP están limitadas a 4 MiB y 16 megapíxeles cada una, con un presupuesto total de 8 MiB de imagen descodificada. Cada clip de audio está limitado a 8 MiB y 300 segundos; cada vídeo, a 16 MiB y 60 segundos. El audio y el vídeo juntos pueden sumar como máximo 16 MiB descodificados, y los vídeos se muestrean a dos fotogramas por segundo. Estos límites corresponden a esa interfaz del productor; el codificador de pesos abiertos acepta representaciones locales adicionales. La capacidad de audio de la base de comprensión no significa que este modelo de decisión produzca audio: sus componentes de generación de voz no se utilizan para puntuar decisiones.

Para el soporte o el enrutamiento de flujos de trabajo, define las categorías y los criterios ordenados a partir de las normas de funcionamiento reales. Un registro de incidencia podría preguntar qué equipo debe gestionarla, si el impacto es urgente y qué nivel de gravedad se ajusta mejor a la evidencia. La salida observable es un conjunto de respuestas tipadas bajo esos nombres de pregunta. Revisa toda la distribución de probabilidades cuando las categorías estén próximas y define de forma explícita cómo trata la aplicación los casos inciertos. Una probabilidad alta es una valoración del modelo sobre la evidencia proporcionada, no una prueba de que la condición se haya verificado de forma independiente.

Conserva juntos el estado, el esquema de preguntas y las respuestas devueltas al inspeccionar un resultado. Comprueba si las opciones cubren la situación real, si sus descripciones se solapan y si se ha omitido o truncado alguna evidencia importante. Si un paso posterior necesita una explicación escrita, puede usar la decisión y el material de origen como entrada de un paso de redacción independiente. La función útil de Clef Omni es puntuar alternativas definidas a partir de evidencia multimodal, de modo que la siguiente acción pueda elegirse con una entrada y una salida claras e inspeccionables.