Cloudflare 开源决策模型 Clef-omni：一次调用同时读文字、图片、音频和视频，Clef-flash 降到每百万 0.038 美元

这件事意味着什么

【要点】

Cloudflare 在北京时间 10 月 10 日凌晨 2 点 27 分发布 Clef-omni，这是它旗下「决策模型」Clef 系列的第三款。决策模型不生成文字，只在开发者给定的选项里做选择，并给每个选项一个概率。Clef-omni 能在同一次调用里同时读入文字、图片、音频（wav、mp3）和视频（mp4、webm），不用先把语音转成文字、也不用把视频拆成画面和声音。

它基于阿里开源的 Qwen3-Omni-30B-A3B 构建：冻结 Qwen 主干，只训练 LoRA 适配层，并去掉了原模型的语音输出部分。官方给的速度是：纯文本决策中位数约 130 毫秒，图片约 150 毫秒，一段 21 秒带声音的视频约 1.5 秒。权重已放上 Hugging Face，托管版在 Workers AI 上，价格是每百万输入 token 0.15 美元。

同时调整了另外两款：Clef-flash 输入价从每百万 0.09 美元降到 0.038 美元，Cloudflare 称已比 TypeSafe 的 Jev 便宜，但托管版上下文从 64k 砍到 24k（自部署权重不受影响）；Clef 价格不变，托管服务改用 SGLang 后中位延迟快了 1.7 到 2 倍。Clef 和 Clef-flash 本身是 10 月 1 日发布的，以 Apache 2.0 开源，底座分别是 Qwen3.8-27B 等 Qwen 模型。

【可核验】

官方博客：https://blog.cloudflare.com/clef-faster-cheaper-multimodal/

开发者更新日志（10 月 9 日）：https://developers.cloudflare.com/changelog/post/2026-10-09-clef-omni-workers-ai/

10 月 1 日首发 Clef 的博客：https://blog.cloudflare.com/clef-decision-models/

跑分都是 Cloudflare 自测。按它公布的表格，Clef-omni 在不少文本任务上反而不如纯文本的 Clef，比如家电场景完全匹配 69.3 对 82.95，When2Call 63.3 对 72.37。X 上相关讨论从发布那一小时起明显升温，最近 3 小时每小时 36 到 48 条，24 小时累计约 250 条。

【我们的判断】

1. 决策模型在一个月里从新概念变成了价格战。Jev 之后，OpenAI 的 Decisions API 每百万输入 0.10 美元，微软 Microsoft-Decision-1 是 0.042 美元，现在 Clef-flash 压到 0.038 美元。这一层很快会像向量嵌入一样变成按量计价的基础件，比拼的重点转向延迟、支持哪些输入和能不能自部署。

2. Qwen 正在成为这类产品的默认底座。Clef、Clef-omni 和 Microsoft-Decision-1 都是在 Qwen 开源权重上后训练出来的。中国开源模型不一定以自己的名字出现在海外，但已经嵌进了美国云厂商卖给企业的产品里。

3. 加模态有代价。Clef-omni 换来了音频和视频，却在多项文本任务上掉分；Clef-flash 降价也是靠缩短托管上下文换来的。只处理文本的场景，用 Clef 更稳；确实需要直接判断通话录音或监控视频时，Clef-omni 才值得换。