Cloudflare Clef è il modello denso più grande della famiglia decisionale Clef, derivato dal post-addestramento di Qwen3.8-27B con il suo encoder visivo. Cloudflare combina questa architettura con una testa condivisa per lo schema, che indirizza gli elementi di evidenza alle domande e valuta insieme le opzioni ammesse. Clef legge una situazione e restituisce decisioni circoscritte con probabilità in un unico passaggio in avanti della rete. Il suo output è un risultato di classificazione, anziché testo generato, un rapporto aperto o un comando proposto.
Prepara lo stato e lo schema delle domande come input distinti. Lo stato può essere una stringa o JSON che rappresenta un record, una conversazione, il contenuto di un documento o una situazione applicativa. Le domande sono identificate da nomi stabili, e gli stessi nomi identificano le risposte restituite. Definisci che cosa debba stabilire ciascuna domanda e descrivi le opzioni pertinenti. Un record di assistenza può chiedere quale team debba gestire la richiesta, se l’impatto è urgente e quale criterio di gravità si applica, senza fondere queste decisioni diverse in un’unica categoria vaga.
Una domanda noul restituisce la probabilità che una condizione binaria sia vera. Una domanda choice restituisce un’opzione con nome selezionata, le probabilità delle singole opzioni e la confidenza. Una domanda score usa un elenco ordinato di descrizioni, con indici a partire da zero, e restituisce un punteggio atteso, una legenda e le probabilità. Un punteggio frazionario ha significato perché riassume l’incertezza tra livelli ordinati. Esamina la distribuzione oltre alla risposta selezionata; due opzioni vicine possono rivelare una distinzione che l’input non risolve.
Per le verifiche di regole, includi il testo effettivo della regola e i fatti del record. Un esempio è un flusso di elaborazione documentale con domande che chiedono se il record è completo, quale categoria di verifica si applica e quanto gli elementi disponibili giustificano un’attenzione immediata. Poni domande distinte per condizioni distinte. Una valutazione di conformità del modello dovrebbe rimanere collegata alla regola e agli elementi forniti. Se manca una condizione importante, lo schema e l’applicazione dovrebbero prevedere intenzionalmente come gestire tale incertezza.
Per gli elementi visivi, fornisci un’immagine leggibile e una domanda su una condizione visibile o una categoria definita. Un controllo di qualità di un modulo potrebbe valutarne la leggibilità, la presenza di un’area obbligatoria e quale livello di qualità fornito lo descrive meglio. L’interfaccia a pesi aperti del produttore accetta anche array di fotogrammi video. Mantieni i fotogrammi in ordine e identifica l’evento da valutare. Uno schema decisionale circoscritto può classificare quel materiale, mentre una richiesta di descrizione narrativa o di nuovi campi arbitrariamente generati appartiene a un tipo diverso di output.
Il riferimento ospitato del produttore indica un contesto di 65.536 token, da una a 64 domande e fino a quattro immagini incorporate. Le immagini PNG, JPEG o WebP hanno un limite di 4 MiB e 16 megapixel ciascuna, con un totale di 8 MiB decodificati; l’intero corpo della richiesta è limitato a 13 MiB e non sono accettati collegamenti remoti alle immagini. Il budget di input include domande e contenuti multimediali. Il testo lungo può essere troncato per rientrare nella finestra, quindi conserva i passaggi decisivi e le etichette delle fonti. Questi limiti descrivono l’interfaccia di immagini ospitata del produttore; l’encoder a pesi aperti ha proprie rappresentazioni per gli input locali.
La pubblicazione di Cloudflare descrive l’addestramento alla valutazione vincolata allo schema e alla calibrazione delle probabilità. Il modello estrae gli elementi pertinenti per le singole opzioni e poi considera le informazioni tra i campi. Ciò può supportare decisioni su diverse domande correlate in un record, ma non rende una probabilità elevata una garanzia che il fatto sottostante sia vero. Valuta record difficili, incompleti e fuori categoria, oltre ai casi semplici. Criteri decisionali utili coprono le situazioni effettivamente incontrate dal flusso di lavoro e rendono esplicite le distinzioni importanti.
Per un flusso di lavoro di un agente, l’output può determinare quale passaggio successivo definito debba essere preso in considerazione. Fornisci l’osservazione corrente e le azioni candidate con descrizioni chiare, poi conserva l’opzione selezionata e le sue probabilità. L’applicazione circostante applica la propria politica d’azione e registra ciò che ha fatto. Mantieni il registro di esecuzione separato dal risultato decisionale: selezionare un percorso di verifica non dimostra che un revisore abbia agito, e selezionare un passaggio diagnostico non dimostra che quel passaggio sia riuscito.
L’artefatto finale è l’oggetto delle risposte, insieme allo stato e allo schema che lo hanno prodotto. Usa questi record per esaminare classificazioni inattese, individuare criteri ambigui e confrontare i risultati con esempi verificati della stessa attività. Se un utente a valle richiede una spiegazione scritta, la decisione e gli elementi originali possono diventare input per una fase separata di scrittura della risposta. Clef fornisce la decisione probabilistica circoscritta necessaria per scegliere la fase successiva, con una descrizione chiara di ciò che è stato valutato.
", "aboutText": "Cloudflare Clef è il modello denso più grande della famiglia decisionale Clef, derivato dal post-addestramento di Qwen3.8-27B con il suo encoder visivo. Cloudflare combina questa architettura con una testa condivisa per lo schema, che indirizza gli elementi di evidenza alle domande e valuta insieme le opzioni ammesse. Clef legge una situazione e restituisce decisioni circoscritte con probabilità in un unico passaggio in avanti della rete. Il suo output è un risultato di classificazione, anziché testo generato, un rapporto aperto o un comando proposto.\n\nPrepara lo stato e lo schema delle domande come input distinti. Lo stato può essere una stringa o JSON che rappresenta un record, una conversazione, il contenuto di un documento o una situazione applicativa. Le domande sono identificate da nomi stabili, e gli stessi nomi identificano le risposte restituite. Definisci che cosa debba stabilire ciascuna domanda e descrivi le opzioni pertinenti. Un record di assistenza può chiedere quale team debba gestire la richiesta, se l’impatto è urgente e quale criterio di gravità si applica, senza fondere queste decisioni diverse in un’unica categoria vaga.\n\nUna domanda noul restituisce la probabilità che una condizione binaria sia vera. Una domanda choice restituisce un’opzione con nome selezionata, le probabilità delle singole opzioni e la confidenza. Una domanda score usa un elenco ordinato di descrizioni, con indici a partire da zero, e restituisce un punteggio atteso, una legenda e le probabilità. Un punteggio frazionario ha significato perché riassume l’incertezza tra livelli ordinati. Esamina la distribuzione oltre alla risposta selezionata; due opzioni vicine possono rivelare una distinzione che l’input non risolve.\n\nPer le verifiche di regole, includi il testo effettivo della regola e i fatti del record. Un esempio è un flusso di elaborazione documentale con domande che chiedono se il record è completo, quale categoria di verifica si applica e quanto gli elementi disponibili giustificano un’attenzione immediata. Poni domande distinte per condizioni distinte. Una valutazione di conformità del modello dovrebbe rimanere collegata alla regola e agli elementi forniti. Se manca una condizione importante, lo schema e l’applicazione dovrebbero prevedere intenzionalmente come gestire tale incertezza.\n\nPer gli elementi visivi, fornisci un’immagine leggibile e una domanda su una condizione visibile o una categoria definita. Un controllo di qualità di un modulo potrebbe valutarne la leggibilità, la presenza di un’area obbligatoria e quale livello di qualità fornito lo descrive meglio. L’interfaccia a pesi aperti del produttore accetta anche array di fotogrammi video. Mantieni i fotogrammi in ordine e identifica l’evento da valutare. Uno schema decisionale circoscritto può classificare quel materiale, mentre una richiesta di descrizione narrativa o di nuovi campi arbitrariamente generati appartiene a un tipo diverso di output.\n\nIl riferimento ospitato del produttore indica un contesto di 65.536 token, da una a 64 domande e fino a quattro immagini incorporate. Le immagini PNG, JPEG o WebP hanno un limite di 4 MiB e 16 megapixel ciascuna, con un totale di 8 MiB decodificati; l’intero corpo della richiesta è limitato a 13 MiB e non sono accettati collegamenti remoti alle immagini. Il budget di input include domande e contenuti multimediali. Il testo lungo può essere troncato per rientrare nella finestra, quindi conserva i passaggi decisivi e le etichette delle fonti. Questi limiti descrivono l’interfaccia di immagini ospitata del produttore; l’encoder a pesi aperti ha proprie rappresentazioni per gli input locali.\n\nLa pubblicazione di Cloudflare descrive l’addestramento alla valutazione vincolata allo schema e alla calibrazione delle probabilità. Il modello estrae gli elementi pertinenti per le singole opzioni e poi considera le informazioni tra i campi. Ciò può supportare decisioni su diverse domande correlate in un record, ma non rende una probabilità elevata una garanzia che il fatto sottostante sia vero. Valuta record difficili, incompleti e fuori categoria, oltre ai casi semplici. Criteri decisionali utili coprono le situazioni effettivamente incontrate dal flusso di lavoro e rendono esplicite le distinzioni importanti.\n\nPer un flusso di lavoro di un agente, l’output può determinare quale passaggio successivo definito debba essere preso in considerazione. Fornisci l’osservazione corrente e le azioni candidate con descrizioni chiare, poi conserva l’opzione selezionata e le sue probabilità. L’applicazione circostante applica la propria politica d’azione e registra ciò che ha fatto. Mantieni il registro di esecuzione separato dal risultato decisionale: selezionare un percorso di verifica non dimostra che un revisore abbia agito, e selezionare un passaggio diagnostico non dimostra che quel passaggio sia riuscito.\n\nL’artefatto finale è l’oggetto delle risposte, insieme allo stato e allo schema che lo hanno prodotto. Usa questi record per esaminare classificazioni inattese, individuare criteri ambigui e confrontare i risultati con esempi verificati della stessa attività. Se un utente a valle richiede una spiegazione scritta, la decisione e gli elementi originali possono diventare input per una fase separata di scrittura della risposta. Clef fornisce la decisione probabilistica circoscritta necessaria per scegliere la fase successiva, con una descrizione chiara di ciò che è stato valutato.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "475a6b3c66cf42d5a5c8024e42973c79abe23bfe02435f5fc6976296b7a1e7f6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "cloudflare/clefCloudflare Clef è un modello decisionale multimodale da 27 miliardi di parametri per classificazione, verifiche di regole e scelte nei flussi di lavoro degli agenti. Valuta uno stato fornito e domande tipizzate, restituendo probabilità per le alternative ammesse, categorie selezionate e punteggi ponderati. Accetta elementi testuali e visivi senza generare testo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Cloudflare Clef è il modello denso più grande della famiglia decisionale Clef, derivato dal post-addestramento di Qwen3.8-27B con il suo encoder visivo. Cloudflare combina questa architettura con una testa condivisa per lo schema, che indirizza gli elementi di evidenza alle domande e valuta insieme le opzioni ammesse. Clef legge una situazione e restituisce decisioni circoscritte con probabilità in un unico passaggio in avanti della rete. Il suo output è un risultato di classificazione, anziché testo generato, un rapporto aperto o un comando proposto.
Prepara lo stato e lo schema delle domande come input distinti. Lo stato può essere una stringa o JSON che rappresenta un record, una conversazione, il contenuto di un documento o una situazione applicativa. Le domande sono identificate da nomi stabili, e gli stessi nomi identificano le risposte restituite. Definisci che cosa debba stabilire ciascuna domanda e descrivi le opzioni pertinenti. Un record di assistenza può chiedere quale team debba gestire la richiesta, se l’impatto è urgente e quale criterio di gravità si applica, senza fondere queste decisioni diverse in un’unica categoria vaga.
Una domanda noul restituisce la probabilità che una condizione binaria sia vera. Una domanda choice restituisce un’opzione con nome selezionata, le probabilità delle singole opzioni e la confidenza. Una domanda score usa un elenco ordinato di descrizioni, con indici a partire da zero, e restituisce un punteggio atteso, una legenda e le probabilità. Un punteggio frazionario ha significato perché riassume l’incertezza tra livelli ordinati. Esamina la distribuzione oltre alla risposta selezionata; due opzioni vicine possono rivelare una distinzione che l’input non risolve.
Per le verifiche di regole, includi il testo effettivo della regola e i fatti del record. Un esempio è un flusso di elaborazione documentale con domande che chiedono se il record è completo, quale categoria di verifica si applica e quanto gli elementi disponibili giustificano un’attenzione immediata. Poni domande distinte per condizioni distinte. Una valutazione di conformità del modello dovrebbe rimanere collegata alla regola e agli elementi forniti. Se manca una condizione importante, lo schema e l’applicazione dovrebbero prevedere intenzionalmente come gestire tale incertezza.
Per gli elementi visivi, fornisci un’immagine leggibile e una domanda su una condizione visibile o una categoria definita. Un controllo di qualità di un modulo potrebbe valutarne la leggibilità, la presenza di un’area obbligatoria e quale livello di qualità fornito lo descrive meglio. L’interfaccia a pesi aperti del produttore accetta anche array di fotogrammi video. Mantieni i fotogrammi in ordine e identifica l’evento da valutare. Uno schema decisionale circoscritto può classificare quel materiale, mentre una richiesta di descrizione narrativa o di nuovi campi arbitrariamente generati appartiene a un tipo diverso di output.
Il riferimento ospitato del produttore indica un contesto di 65.536 token, da una a 64 domande e fino a quattro immagini incorporate. Le immagini PNG, JPEG o WebP hanno un limite di 4 MiB e 16 megapixel ciascuna, con un totale di 8 MiB decodificati; l’intero corpo della richiesta è limitato a 13 MiB e non sono accettati collegamenti remoti alle immagini. Il budget di input include domande e contenuti multimediali. Il testo lungo può essere troncato per rientrare nella finestra, quindi conserva i passaggi decisivi e le etichette delle fonti. Questi limiti descrivono l’interfaccia di immagini ospitata del produttore; l’encoder a pesi aperti ha proprie rappresentazioni per gli input locali.
La pubblicazione di Cloudflare descrive l’addestramento alla valutazione vincolata allo schema e alla calibrazione delle probabilità. Il modello estrae gli elementi pertinenti per le singole opzioni e poi considera le informazioni tra i campi. Ciò può supportare decisioni su diverse domande correlate in un record, ma non rende una probabilità elevata una garanzia che il fatto sottostante sia vero. Valuta record difficili, incompleti e fuori categoria, oltre ai casi semplici. Criteri decisionali utili coprono le situazioni effettivamente incontrate dal flusso di lavoro e rendono esplicite le distinzioni importanti.
Per un flusso di lavoro di un agente, l’output può determinare quale passaggio successivo definito debba essere preso in considerazione. Fornisci l’osservazione corrente e le azioni candidate con descrizioni chiare, poi conserva l’opzione selezionata e le sue probabilità. L’applicazione circostante applica la propria politica d’azione e registra ciò che ha fatto. Mantieni il registro di esecuzione separato dal risultato decisionale: selezionare un percorso di verifica non dimostra che un revisore abbia agito, e selezionare un passaggio diagnostico non dimostra che quel passaggio sia riuscito.
L’artefatto finale è l’oggetto delle risposte, insieme allo stato e allo schema che lo hanno prodotto. Usa questi record per esaminare classificazioni inattese, individuare criteri ambigui e confrontare i risultati con esempi verificati della stessa attività. Se un utente a valle richiede una spiegazione scritta, la decisione e gli elementi originali possono diventare input per una fase separata di scrittura della risposta. Clef fornisce la decisione probabilistica circoscritta necessaria per scegliere la fase successiva, con una descrizione chiara di ciò che è stato valutato.
POST /v1/systemonetext, imagedecisions| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti cloudflare/clef | Predefinito— |
Campoprovider | Tiposchema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoquestions | Tipoobject | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camposession_id | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campostate | Tiposchema | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campotrace | Tiposchema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campouser | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoquestions.<id>.type | Tipostring | RequisitoObbligatorio | Valori e limiti noul, choice, score | Predefinito— |
Campoquestions.<id>.instructions | Tipostring|object|array | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campoquestions.<id>.criteria | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Condizioni: choice/score: obbligatori; noul: facoltativo. I criteri di choice sono un oggetto; score è un array con minItems1. | Predefinito— |
Campoquestions.<id>.criteria.true | Tipostring|object|array | RequisitoObbligatorio | Valori e limiti Si applica quando: Oggetto criteria noul fornito | Predefinito— |
Campoquestions.<id>.criteria.false | Tipostring|object|array | RequisitoObbligatorio | Valori e limiti Si applica quando: Oggetto criteria noul fornito | Predefinito— |
noul · Obbligatorio: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Obbligatorio: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Obbligatorio: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, state, questions |
Parametromaterial_types | Contrattotext, image |
Parametrooptional_controls | Contrattoprovider, session_id, trace, user |
Parametromultimodal_input_binding | ContrattoUsa esclusivamente la rappresentazione esatta dichiarata per lo stato o il documento. La sola capacità del produttore di elaborare immagini non stabilisce una modalità accettata di trasmissione delle immagini specifica del modello. |
Ciclo di vita: synchronous
Invia l'ID esatto del modello e conserva l'intera risposta nativa.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00048 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00048 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "cloudflare/clef",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='cloudflare/clef'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Viene conservata ogni risposta associata all'ID della domanda fornito, con il tipo esatto, il valore noul/choice/score, la confidenza, le probabilità e la legenda. L'intero JSON originale viene memorizzato e restituito solo dopo il conguaglio dell'addebito.
Conserva l'operazione originale e la risposta completa o parziale; non ripetere POST.
| Campo | Tipo |
|---|---|
Campomodel | Tipostring |
Campoid | Tipostring |
Campoprovider | Tipostring |
Campoanswers.<id>.type | Tipostring |
Campoanswers.<id>.noul | Tiponumber |
Campoanswers.<id>.choice | Tipostring |
Campoanswers.<id>.score | Tiponumber |
Campoanswers.<id>.confidence | Tiponumber |
Campoanswers.<id>.probabilities | Tipoobject |
Campoanswers.<id>.legend | Tipoobject |
Campousage.input_tokens | Tipointeger |
Campousage.output_tokens | Tipointeger |
Campousage.cost | Tiponumber |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampo obbligatorio, rappresentazione o valore non valido | Passaggio successivoCorreggi il campo della richiesta indicato. |
Ailoot Ultra cloudflare/clef
Usa i percorsi dei metodi indicati sopra.