Cloudflare: Clef

Cloudflare Clef ialah model padat yang lebih besar dalam keluarga keputusan Clef, dilatih lanjut daripada Qwen3.8-27B bersama pengekod visinya. Cloudflare menggabungkan tulang belakang itu dengan kepala skema bersama yang menghalakan bukti kepada soalan dan memberi skor kepada opsyen yang dibenarkan secara serentak. Clef membaca sesuatu situasi dan mengembalikan keputusan terbatas dengan kebarangkalian dalam satu laluan hadapan. Outputnya ialah hasil klasifikasi, bukannya prosa yang dijana, laporan terbuka atau arahan yang dicadangkan.

Sediakan keadaan dan skema soalan sebagai input yang berasingan. Keadaan boleh berupa rentetan atau JSON yang mewakili rekod, perbualan, kandungan dokumen atau situasi aplikasi. Soalan dikunci dengan nama yang stabil, dan nama yang sama mengenal pasti jawapan yang dikembalikan. Takrifkan perkara yang perlu ditentukan oleh setiap soalan dan terangkan opsyen yang berkaitan. Rekod sokongan boleh bertanya pasukan manakah yang patut mengendalikan permintaan, sama ada impaknya mendesak dan kriteria keterukan manakah yang terpakai, tanpa menggabungkan keputusan-keputusan yang berbeza itu ke dalam satu kategori yang samar.

Soalan noul mengembalikan kebarangkalian benar bagi syarat binari. Soalan pilihan mengembalikan opsyen bernama yang dipilih, kebarangkalian bagi setiap opsyen dan keyakinan. Soalan skor menggunakan senarai penerangan bertertib yang diindeks bermula daripada sifar, dan mengembalikan skor jangkaan, legenda dan kebarangkalian. Skor pecahan bermakna kerana ia meringkaskan ketidakpastian merentas tahap bertertib. Periksa taburan serta jawapan yang dipilih; dua opsyen yang hampir sama boleh mendedahkan perbezaan yang tidak dapat diputuskan oleh input.

Untuk semakan dasar, sertakan teks peraturan sebenar dan fakta rekod. Contohnya ialah aliran kerja pemprosesan dokumen dengan soalan sama ada rekod lengkap, kategori semakan manakah yang terpakai dan sejauh mana bukti menyokong perhatian segera. Ajukan soalan berasingan untuk kondisi yang berasingan. Penilaian model tentang pematuhan harus kekal berkait dengan peraturan dan bukti yang dibekalkan. Jika kondisi penting tiada, skema dan aplikasi harus mempunyai cara yang dirancang dengan teliti untuk mengendalikan ketidakpastian itu.

Untuk bukti visual, berikan imej yang boleh dibaca dan soalan tentang kondisi yang kelihatan atau kategori yang ditetapkan. Semakan kualiti borang mungkin menilai kebolehbacaan, sama ada ruangan wajib wujud dan tahap kualiti yang dibekalkan manakah yang paling tepat menggambarkannya. Antara muka pemberat terbuka pembuat model juga menerima tatasusunan bingkai video. Pastikan bingkai mengikut urutan dan kenal pasti peristiwa yang hendak dinilai. Skema keputusan terbatas boleh mengklasifikasikan bahan tersebut, manakala permintaan untuk penerangan naratif atau medan baharu yang dijana sewenang-wenangnya tergolong dalam jenis output yang berbeza.

Rujukan dihoskan pengeluar menyenaraikan konteks 65,536 token, satu hingga 64 soalan dan sehingga empat imej terbenam. Imej PNG, JPEG atau WebP dihadkan kepada 4 MiB dan 16 megapiksel setiap satu, dengan jumlah 8 MiB selepas nyahkod; keseluruhan badan permintaan dihadkan kepada 13 MiB, dan pautan imej jauh tidak diterima. Bajet input merangkumi soalan dan media. Teks yang panjang mungkin dipotong supaya muat, jadi kekalkan petikan penentu dan label sumber. Had ini menerangkan antara muka imej dihoskan pengeluar; pengekod pemberat terbuka mempunyai perwakilan input setempatnya sendiri.

Pengumuman keluaran Cloudflare menerangkan latihan untuk pemarkahan terikat skema dan kalibrasi kebarangkalian. Model mengekstrak bukti yang berkaitan bagi opsyen individu dan kemudian mempertimbangkan maklumat merentas medan. Ini boleh menyokong keputusan bagi beberapa soalan berkaitan dalam satu rekod, tetapi ia tidak menjadikan kebarangkalian tinggi sebagai jaminan bahawa fakta asasnya benar. Nilaikan rekod yang sukar, tidak lengkap dan di luar kategori, selain kes yang mudah. Kriteria keputusan yang berguna meliputi situasi yang benar-benar dihadapi oleh aliran kerja dan menjadikan perbezaan penting jelas.

Dalam aliran kerja ejen, output boleh menentukan langkah seterusnya yang ditetapkan manakah yang patut dipertimbangkan. Bekalkan pemerhatian semasa dan tindakan calon dengan penerangan yang jelas, kemudian simpan opsyen yang dipilih beserta kebarangkaliannya. Aplikasi di sekelilingnya menerapkan dasar tindakannya dan merekodkan apa yang dilakukannya. Asingkan rekod pelaksanaan itu daripada hasil keputusan: memilih laluan semakan tidak membuktikan bahawa penyemak telah bertindak, dan memilih langkah diagnostik tidak membuktikan bahawa langkah itu berjaya.

Artifak akhir ialah objek jawapan bersama keadaan dan skema yang menghasilkannya. Gunakan rekod tersebut untuk memeriksa klasifikasi yang tidak dijangka, mengenal pasti kriteria yang samar-samar dan membandingkan hasil dengan contoh tugasan yang telah disemak. Jika pengguna hiliran memerlukan penjelasan bertulis, keputusan dan bukti asal boleh menjadi input kepada langkah penulisan respons yang berasingan. Clef membekalkan keputusan kebarangkalian terbatas yang diperlukan untuk memilih peringkat seterusnya itu, dengan gambaran jelas tentang perkara yang telah dinilai.