أطلقت Cloudflare نموذجَي الذكاء الاصطناعي Clef وClef-flash، وهما نماذج قرار مفتوحة المصدر مصممة لإنتاج تصنيفات ومخرجات منظمة واحتمالات قابلة للاستخدام البرمجي، بدلاً من توليد نصوص مفتوحة النهاية كما تفعل نماذج اللغة الكبيرة عادةً. وتستضيف الشركة النموذجين على منصة Workers AI، كما أتاحتهما على Hugging Face بموجب ترخيص Apache 2.0.
بالتزامن مع ذلك، كشفت Cloudflare عن خدمة جديدة لضبط Clef باستخدام التعلم المعزز. تبدأ الخدمة عبر فريق من مهندسي الانتشار الميداني، على أن تتطور لاحقاً إلى منصة ذاتية الخدمة تتيح للعملاء جمع البيانات، وضبط النموذج، ثم إعادة نشره على بنية Cloudflare.
ما الذي تفعله نماذج القرار؟
تستهدف نماذج القرار الحالات التي يحتاج فيها النظام إلى اختيار محدد ضمن سير عمل، مثل تحديد ما إذا كانت رسالة دعم عاجلة، أو إسنادها إلى فريق الفوترة أو الفريق التقني، أو تقدير شدة أثرها. وتعيد النماذج إجابات مكتوبة وفق أنواع محددة، مثل الاختيار أو الدرجة أو القيمة المنطقية، مع احتمالات يمكن للتطبيق استخدامها لتوجيه الطلب أو تصعيده أو إحالته إلى موظف بشري.
تقول Cloudflare إنها اختبرت Clef لدى فريق استخبارات التهديدات لتصنيف نطاقات الويب. وفي تجربة شملت جلب الموقع وعرضه وتصنيفه باستخدام Browser Run، استغرق Clef 2.2 ثانية، مقارنة بـ4.7 ثوانٍ لنموذج gpt-oss-120b الأسرع لدى الشركة في سير العمل نفسه. كما أعاد Clef تصنيفات متعددة باحتمالات، منها احتمال أن يكون النطاق موقعاً للأزياء أو للتجارة الإلكترونية، واحتمال أقل من 1% لكونه موقع تصيد.
الفروق التقنية والأداء
تقول Cloudflare إن Clef يضم مشفراً بصرياً لمعالجة الصور، بينما كان Jev، وفق المادة، يركز على تصنيف النصوص. كما يوفر النموذج نافذة سياق بطول 64 ألف رمز، مقابل 32 ألفاً لدى Jev. ويستخدم Clef وClef-flash بنية غير ارتجاعية في مرحلة القرار، إذ يجري تقييم خيارات المخطط الصحيحة بالتوازي بدلاً من توليد نص وسيط رمزاً بعد رمز.
في نتائج الاختبارات المنشورة، سجل Clef دقة 98.47% في معيار BFCL، و91.93% في API-Bank، و94.20% في BANKING77، بينما سجل Clef-flash 98.76% و93.11% و90.93% في هذه المعايير على التوالي. ولم يتفوق النموذجان في كل الاختبارات؛ ففي معيار When2Call حقق Jev نسبة 80.97% مقابل 72.37% لـClef و65.58% لـClef-flash، كما بقي Jev متقدماً في معيار BRIGHT.
التخصيص عبر التعلم المعزز
تعتمد Cloudflare في تدريب Clef على Qwen كنموذج أساسي، مع استخدام Qwen3.8-27B لـClef وQwen3.5-9B لـClef-flash، ثم تحسينهما لمهام القرار ومعايرة الاحتمالات. وتستهدف خدمة الضبط حالات مثل فرز طلبات الدعم، وتقييم بلاغات الثقة والسلامة، وتصنيف الروبوتات.
تجمع المنظومة المقترحة بين AI Gateway لالتقاط بيانات الطلبات، وWorkers AI لتوليد النتائج، وCloudflare Containers لبيئات التعلم المعزز، ومدرب لتحديث أوزان النموذج، ثم إعادة نشره على Workers AI. وتوضح الشركة أن تخصيص النموذج قد يرفع الدقة في مجال محدد، لكنه قد يأتي على حساب الأداء العام.
لماذا يهم هذا الإطلاق؟
تقدم Cloudflare نماذج القرار كطبقة متخصصة بين المدخلات وسلوك الوكلاء: نموذج صغير نسبياً يعيد قراراً منظماً بسرعة، ثم يمكن لنموذج لغوي أكبر تنفيذ الإجراء الناتج. هذا التصميم قد يقلل زمن الاستجابة في مسارات الدعم والأمن والتوجيه الآلي، لكنه لا يلغي الحاجة إلى اختبار المعايرة والموثوقية لكل حالة استخدام، خصوصاً عندما تؤدي احتمالات التصنيف إلى إجراءات آلية أو قرارات حساسة. كما أن النتائج المعروضة صادرة عن تقييمات اختارتها Cloudflare، ولا تثبت تفوق Clef على جميع النماذج أو المجالات.
كيف أعددنا هذا الخبر؟
اعتمد الخبر على المصدر الأصلي الموضح أعلاه. قد نستخدم أدوات آلية للمساعدة في الاستخراج والتصنيف والصياغة،
لكن النشر يخضع لقواعد تمنع المحتوى المكرر والقصير أو الروتيني منخفض القيمة.
اقرأ سياستنا التحريرية.