Cloudflare: Clef

Cloudflare Clef adalah model padat yang lebih besar dalam keluarga pengambilan keputusan Clef, dilatih lebih lanjut dari Qwen3.8-27B beserta encoder visualnya. Cloudflare menggabungkan backbone tersebut dengan kepala skema gabungan yang menyalurkan bukti ke pertanyaan dan menilai opsi jawaban yang diizinkan secara bersama-sama. Clef membaca situasi dan mengembalikan keputusan dalam batas yang ditentukan beserta probabilitas dalam satu lintasan maju. Keluarannya berupa hasil klasifikasi, bukan prosa yang dihasilkan, laporan terbuka tanpa batas, atau perintah yang diusulkan.

Siapkan keadaan dan skema pertanyaan sebagai masukan terpisah. Keadaan dapat berupa string atau JSON yang mewakili rekaman, percakapan, isi dokumen, atau situasi aplikasi. Pertanyaan menggunakan nama yang stabil sebagai kunci, dan nama yang sama mengidentifikasi jawaban yang dikembalikan. Tetapkan hal yang harus ditentukan oleh setiap pertanyaan dan jelaskan opsi yang relevan. Rekaman dukungan dapat menanyakan tim mana yang harus menangani permintaan, apakah dampaknya mendesak, dan kriteria keparahan mana yang berlaku, tanpa menyatukan keputusan-keputusan berbeda tersebut ke dalam satu kategori yang kabur.

Pertanyaan noul mengembalikan probabilitas benar untuk kondisi biner. Pertanyaan choice mengembalikan opsi bernama yang terpilih, probabilitas setiap opsi, dan keyakinan. Pertanyaan score menggunakan daftar deskripsi berurutan dengan indeks mulai dari nol dan mengembalikan nilai harapan skor, legenda, serta probabilitas. Skor pecahan bermakna karena merangkum ketidakpastian di antara tingkat-tingkat berurutan. Periksa distribusi sekaligus jawaban terpilih; dua opsi dengan nilai berdekatan dapat menunjukkan perbedaan yang belum diselesaikan oleh masukan.

Untuk pemeriksaan kebijakan, sertakan teks aturan yang sebenarnya dan fakta dalam rekaman. Contohnya adalah alur pemrosesan dokumen dengan pertanyaan apakah rekaman lengkap, kategori peninjauan mana yang berlaku, dan seberapa kuat bukti mendukung perlunya perhatian segera. Ajukan pertanyaan terpisah untuk kondisi yang berbeda. Penilaian kepatuhan oleh model harus tetap terhubung dengan aturan dan bukti yang diberikan. Jika kondisi penting tidak tersedia, skema dan aplikasi harus memiliki cara yang sengaja ditetapkan untuk menangani ketidakpastian itu.

Untuk bukti visual, berikan gambar yang dapat dibaca dan pertanyaan tentang kondisi yang terlihat atau kategori yang telah ditentukan. Pemeriksaan kualitas formulir dapat mengevaluasi keterbacaan, keberadaan area yang diwajibkan, dan tingkat kualitas yang diberikan mana yang paling tepat menggambarkannya. Antarmuka bobot terbuka pembuat juga menerima larik bingkai video. Pertahankan urutan bingkai dan identifikasi kejadian yang akan dinilai. Skema keputusan yang dibatasi dapat mengklasifikasikan materi tersebut, sedangkan permintaan deskripsi naratif atau bidang baru yang dihasilkan secara sembarang memerlukan jenis keluaran berbeda.

Referensi layanan yang dihosting produsen mencantumkan konteks 65.536 token, satu hingga 64 pertanyaan, dan hingga empat gambar tertanam. Gambar PNG, JPEG, atau WebP dibatasi hingga 4 MiB dan 16 megapiksel per gambar, dengan total setelah didekode 8 MiB; seluruh isi permintaan dibatasi hingga 13 MiB, dan tautan gambar jarak jauh tidak diterima. Anggaran masukan mencakup pertanyaan dan media. Teks panjang dapat dipotong agar muat, jadi pertahankan bagian penentu dan label sumber. Batas ini menjelaskan antarmuka gambar yang dihosting produsen; encoder bobot terbuka memiliki representasi masukan lokalnya sendiri.

Rilis Cloudflare menjelaskan pelatihan untuk penilaian yang terikat skema dan kalibrasi probabilitas. Model mengekstraksi bukti yang relevan untuk masing-masing opsi, lalu mempertimbangkan informasi lintas bidang. Ini dapat mendukung keputusan atas beberapa pertanyaan terkait dalam satu rekaman, tetapi tidak menjadikan probabilitas tinggi sebagai jaminan kebenaran fakta yang mendasarinya. Evaluasi rekaman yang sulit, tidak lengkap, dan di luar kategori, selain kasus yang jelas. Kriteria keputusan yang berguna mencakup situasi yang benar-benar dihadapi alur kerja dan menyatakan perbedaan penting secara eksplisit.

Untuk alur kerja agen, keluaran dapat menentukan tahap berikutnya yang telah ditetapkan mana yang perlu dipertimbangkan. Berikan pengamatan saat ini dan kandidat tindakan dengan deskripsi jelas, lalu simpan opsi terpilih dan probabilitasnya. Aplikasi yang mengelilinginya menerapkan kebijakan tindakan dan mencatat apa yang dilakukan. Pisahkan catatan pelaksanaan tersebut dari hasil keputusan: memilih jalur peninjauan tidak membuktikan bahwa peninjau sudah bertindak, dan memilih tahap diagnostik tidak membuktikan bahwa tahap itu berhasil.

Artefak akhirnya adalah objek answers beserta keadaan dan skema yang menghasilkannya. Gunakan catatan tersebut untuk memeriksa klasifikasi yang tidak terduga, mengidentifikasi kriteria ambigu, dan membandingkan hasil dengan contoh tugas yang telah ditinjau. Jika pengguna pada tahap berikutnya memerlukan penjelasan tertulis, keputusan dan bukti asli dapat menjadi masukan untuk tahap penulisan jawaban terpisah. Clef menyediakan keputusan probabilistik dalam batas yang ditentukan untuk memilih tahap berikutnya, disertai catatan jelas tentang hal yang telah dievaluasi.