Clef
开源决策模型与强化学习微调平台，专注于将决策优化（状态—动作—奖励框架）工程化落地，为开发者提供可定制化的RL微调能力，适用于智能体、自动化流程、推荐与调度等场景
时间轴 (近 90 天)
多问题打包时，因果掩码需要改造：每个问题都能看到完整上下文，但问题之间必须互相隔离；如果问题二能看到问题一的内容，提问顺序会影响答案，可复现性被破坏。作者指出 Cloudflare 的 Clef 没有做这层隔离，在他看来会导致换序后输出漂移。
Cloudflare 的 Clef 使用 pooled span 覆盖完整选项再加线性头，从根上规避了首 token 重复问题。
Cloudflare于2026年10月推出Clef与Clef-flash两款开放权重决策模型。
在 112 个短用例上，托管 Jev 和 PPLX 各得 112 分，NeoHorse 和 Clef 各得 104 分，Flash 和 Omni 各得 102 分，Jeff 2B 得 94 分，Jeff 0.8B 得 77 分，Laya Typed 得 52 分，Laya 得 46 分，Laya Multilingual 得 25 分。
托管决策模型的输入价格从Perplexity的每百万token 0.02美元到Cloudflare Clef的0.24美元，差距达十二倍。
10月1日Cloudflare Clef、Strands Decider 2B和pplx-decider同日发布。
Cloudflare Clef系列全部开放权重：Clef基于Qwen3.8-27B，Clef-flash基于Qwen3.5-9B，Clef-omni是30B混合专家模型（激活3B参数）。
从2026年9月中旬TypeSafe发布Jev开始，一个多月内至少八家公司推出了AI决策模型，包括Cloudflare的Clef、AWS Strands团队的Decider、Perplexity的pplx-decider、Liquid AI的d1系列、OpenAI的Decisions API和Microsoft-Decision-1。
Cloudflare 推出了名为 Clef 的产品，用于监测 AI Agent 的行为漂移。
Clef 可以贴着现有的 Cloudflare Workers 运行时接入，无需另建观测栈。
还有 40 条时间轴事件
全部知识事实 (20)
多问题打包时，因果掩码需要改造：每个问题都能看到完整上下文，但问题之间必须互相隔离；如果问题二能看到问题一的内容，提问顺序会影响答案，可复现性被破坏。作者指出 Cloudflare 的 Clef 没有做这层隔离，在他看来会导致换序后输出漂移。
50%待验证Cloudflare 的 Clef 使用 pooled span 覆盖完整选项再加线性头，从根上规避了首 token 重复问题。
50%待验证Cloudflare Clef系列全部开放权重：Clef基于Qwen3.8-27B，Clef-flash基于Qwen3.5-9B，Clef-omni是30B混合专家模型（激活3B参数）。
50%待验证Clef 采集 Agent 运行时的行为轨迹，通过可重复的前后对比让行为漂移成为可见的差异。
50%待验证Clef 可以贴着现有的 Cloudflare Workers 运行时接入，无需另建观测栈。
50%待验证在工作流评测中，clef-omni 每一行都低于 Clef：发票处理的精确动作 60.2 对 64.7，客服 71.6 对 76.3；也落后 Jev（61.8 和 76.0）。
50%待验证Clef API 与 Jev 兼容，切换只需改模型 ID。
50%待验证在 RAGTruth 基准上，Clef 检测 RAG 输出幻觉得分 79.4，而 clef-omni 掉到 42.0；因此不应用 clef-omni 当廉价的 RAG 幻觉检查器，应改用普通 Clef。
50%待验证Clef 系列决策模型支持视觉输入，可处理图像数据，而 GPT 的对应方案中并不总是可用。
50%待验证带 Qwen3.5 骨干的 Clef 模型和 Laya 模型都能导出为 GGUF 格式并通过 llama.cpp 提供服务，包括能理解图像的多模态决策模型
50%待验证在隐藏市场价格的美联储利率问题测试中，三个模型展现不同风格：Decisions 最果断且愿意与市场唱反调，Jev 极为谨慎几乎不动摇，Clef 反应最激烈甚至被SEO垃圾页面带偏
50%待验证Clef 是开源权重模型，可以通过 Cloudflare Workers AI 调用或用 Ollama 本地运行
50%待验证该版本支持导出基于 Qwen3.5 骨干的 Clef 模型以及 Laya 模型到 GGUF 格式
50%待验证Clef以Coin作为底座冻结训练，并同步开放了RL微调平台
50%待验证Clef内置视觉编码器，支持64K上下文窗口，是对标模型的两倍
50%待验证Clef 是一个面向音频理解的多模态模型，能够处理音频输入并生成文本描述或回答与音频内容相关的问题
50%待验证Clef 属于音频-语言模型（Audio-Language Model）这一细分方向
50%待验证noul 评分类型取值范围为 0 到 1，可直接作为业务规则的判断阈值使用
50%待验证Clef 和 Clef Flash 都具备多模态能力，请求中可同时包含图像与文本状态，图像由所有问题共享并与文本联合评分
50%待验证Clef 为 27B 参数规模，Clef Flash 为 9B 参数规模
50%