Clef-omni用单次调用完成多模态决策

IT之家 10 月 10 日消息，Cloudflare 昨日（10 月 9 日）发布公告，宣布推出开放权重决策模型 Clef-omni，支持通过单次 API 调用处理文本、图像、音频和视频等输入。

定位方面，该模型在此前 Clef 系列模型的基础上，扩展了对多模态输入的支持，模型权重已在 Hugging Face 开放。

多模态支持方面，此前的 Clef 支持文本、图像，以及从视频中抽取的连续画面（把视频按时间抽取成一张张静态图像，再将这些图像按顺序作为输入交给模型）。Clef-omni 则新增了音频和完整视频输入，支持 wav、mp3、mp4 和 webm 格式。

Cloudflare 称，开发者无需另行搭建语音转写及音视频拆分流程，可以用一个模型处理多种输入。

Cloudflare 称，Clef-omni 基于 Qwen3-Omni-30B-A3B-Instruct 构建，并保留了其主要理解能力。该模型面向结构化决策任务，不生成常规文本输出。在公司公布的测试中，纯文本请求的中位响应时间约为 130 毫秒，图像请求约为 150 毫秒；一段带声音的 21 秒视频，约 1.5 秒即可完成评分。

Cloudflare 还将 Clef-flash 每百万输入 Token 的价格从 0.09 美元（IT之家注：按现汇率约合 0.6 元人民币）降至 0.038 美元（按现汇率约合 0.25 元人民币），降幅约 58%。Clef-flash 托管版的上下文窗口同步从 64k 缩至 24k。

软媒旗下网站：IT之家、最会买 - 返利返现优惠券、iPhone之家、Win7之家、Win10之家、Win11之家

软媒旗下软件：软媒手机APP应用、魔方、最会买、要知