10 月 9 日，Cloudflare 发布开放权重决策模型 Clef-omni，支持通过单次 API 调用同时处理文本、图像、音频和视频。这是 Clef 系列模型在 10 月初接连推出 Clef 与 Clef-flash 之后，面向多模态决策场景的又一次扩展，模型权重已在 Hugging Face 以 Apache 2.0 协议开放。

从文本到音视频：一次调用处理全部模态

在 Clef-omni 之前，Clef 已支持文本、图像，以及从视频中按时间抽取的连续静态画面。Clef-omni 在此基础上新增了音频与完整视频输入，支持 wav、mp3、mp4 和 webm 格式。Cloudflare 表示，开发者无需再自行搭建语音转写、音视频拆分等前置流程，用一个模型即可对多种输入做出判断。

技术实现上，Clef-omni 基于 Qwen3-Omni-30B-A3B-Instruct 构建，采用 30B 参数的混合专家（MoE）架构、活跃参数约 3B，并保留了原模型的主要理解能力。它面向结构化决策任务，不生成常规文本输出，而是在单次前向计算中直接对所有允许的答案选项打分。

性能与基准表现

根据 Cloudflare 公布的测试数据，纯文本请求的中位响应时间约为 130 毫秒，图像约 150 毫秒；一段带声音的 21 秒视频约 1.5 秒即可完成评分。在基准测试中，Clef-omni 取得 BFCL 精确匹配率 98.2、API-Bank 准确率 92.7、BANKING77 宏平均 F1 94.8、CLINC150+OOS 宏平均 F1 97.7 的成绩，在家用电器任务上的精确匹配率为 69.3。

定价下调，托管版上下文窗口收窄

伴随此次发布，Cloudflare 同步下调了 Clef-flash 的价格：输入价从每百万 Token 0.09 美元（约合 0.6 元人民币）降至 0.038 美元（约合 0.25 元），降幅约 58%，使其低于同类决策模型 Jev；不过托管版上下文窗口也从 64k 缩小至 24k。Clef-omni 本身的定价为输入每百万 Token 0.15 美元（约 1 元）、输出 0.60 美元（约 4 元）。

典型应用包括设备巡检：将一台设备的照片、运行录音与风扇视频一并提交给同一个模型，即可判断铭牌是否清晰、运转声音是否正常、风扇是否在转，无需串联多个专用模型。对于希望把多模态判断嵌入工作流、又不愿自行维护级联管线的开发者而言，这类开放权重决策模型提供了更直接的落地路径。