A Cloudflare lançou os modelos de inteligência artificial Clef e Clef-flash, modelos de decisão de código aberto projetados para produzir classificações, saídas estruturadas e probabilidades utilizáveis por software, em vez de gerar texto aberto como normalmente fazem os grandes modelos de linguagem. A empresa hospeda os dois modelos na plataforma Workers AI e também os disponibilizou no Hugging Face sob a licença Apache 2.0.
Ao mesmo tempo, a Cloudflare revelou um novo serviço para ajustar o Clef usando aprendizado por reforço. O serviço começa por meio de uma equipe de engenheiros de implantação em campo, com a expectativa de evoluir posteriormente para uma plataforma de autoatendimento que permita aos clientes coletar dados, ajustar o modelo e depois reimplantá-lo na infraestrutura da Cloudflare.
O que os modelos de decisão fazem?
Os modelos de decisão destinam-se a casos em que o sistema precisa fazer uma escolha específica dentro de um fluxo de trabalho, como determinar se uma solicitação de suporte é urgente, encaminhá-la para a equipe de faturamento ou para a equipe técnica, ou estimar a gravidade de seu impacto. Os modelos retornam respostas escritas de acordo com tipos específicos, como escolha, pontuação ou valor booleano, com probabilidades que o aplicativo pode usar para direcionar ou elevar a prioridade da solicitação ou encaminhá-la a um funcionário humano.
A Cloudflare afirma ter testado o Clef junto à equipe de inteligência contra ameaças para classificar domínios da web. Em um experimento que envolveu acessar, renderizar e classificar o site usando o Browser Run, o Clef levou 2,2 segundos, em comparação com 4,7 segundos do modelo gpt-oss-120b, o modelo mais rápido da empresa no mesmo fluxo de trabalho. O Clef também retornou várias classificações com probabilidades, incluindo a probabilidade de o domínio ser um site de moda ou de comércio eletrônico, e uma probabilidade inferior a 1% de ser um site de phishing.
Diferenças técnicas e desempenho
A Cloudflare afirma que o Clef inclui um codificador visual para processar imagens, enquanto o Jev, de acordo com o material, se concentrava na classificação de textos. O modelo também oferece uma janela de contexto de 64 mil tokens, em comparação com 32 mil no Jev. Clef e Clef-flash usam uma arquitetura não autoregressiva na etapa de decisão, na qual as opções corretas do esquema são avaliadas em paralelo, em vez de gerar um texto intermediário token por token.
Nos resultados dos testes publicados, o Clef registrou 98,47% de precisão no benchmark BFCL, 91,93% no API-Bank e 94,20% no BANKING77, enquanto o Clef-flash registrou 98,76%, 93,11% e 90,93% nesses benchmarks, respectivamente. Os dois modelos não superaram os demais em todos os testes; no benchmark When2Call, o Jev alcançou 80,97%, contra 72,37% do Clef e 65,58% do Clef-flash, e o Jev também permaneceu à frente no benchmark BRIGHT.
Personalização por meio do aprendizado por reforço
A Cloudflare baseia o treinamento do Clef no Qwen como modelo fundamental, usando Qwen3.8-27B para o Clef e Qwen3.5-9B para o Clef-flash, e depois os aprimora para tarefas de decisão e calibração de probabilidades. O serviço de ajuste tem como alvo casos como a triagem de solicitações de suporte, a avaliação de denúncias de confiança e segurança e a classificação de bots.
O sistema proposto combina o AI Gateway para capturar dados das solicitações, o Workers AI para gerar resultados, o Cloudflare Containers para ambientes de aprendizado por reforço e um treinador para atualizar os pesos do modelo, seguido de sua reimplantação no Workers AI. A empresa explica que personalizar o modelo pode aumentar a precisão em um domínio específico, mas isso pode ocorrer às custas do desempenho geral.
Por que este lançamento é importante?
A Cloudflare apresenta os modelos de decisão como uma camada especializada entre as entradas e o comportamento dos agentes: um modelo relativamente pequeno retorna rapidamente uma decisão estruturada, e um modelo de linguagem maior pode então executar a ação resultante. Esse projeto pode reduzir o tempo de resposta em fluxos de suporte, segurança e direcionamento automatizado, mas não elimina a necessidade de testar a calibração e a confiabilidade para cada caso de uso, especialmente quando as probabilidades de classificação levam a ações automatizadas ou decisões sensíveis. Além disso, os resultados apresentados são provenientes de avaliações escolhidas pela Cloudflare e não comprovam a superioridade do Clef sobre todos os modelos ou domínios.