一句话看懂：Cloudflare 于 2026 年 10 月 9 日发布开源多模态决策模型 Clef-omni，可在一次调用中为文本、图像、音频和视频打分，省去多模态 Agent 管线中常见的转录和标注步骤。
事件核心：发生了什么
Cloudflare 在 Clef 和 Clef-flash 上线 8 天后推出 Clef-omni，这是其决策模型家族的新成员。模型基于 Qwen3-Omni-30B-A3B-Instruct 后训练，总参数 30B、激活 3B，采用 MoE 架构，保留理解主干并移除文本转语音输出路径。它在 Workers AI 上以 @cf/cloudflare/clef-omni 提供，上下文 64,000 token，Apache-2.0 许可，输入价格每百万 token 0.15 美元。与返回生成文本的模型不同，Clef-omni 接收状态和问题 schema，返回每个选项的概率，支持 noul、choice 和 score 三种问题类型。开发者文档显示，它支持最多 4 张图片、4 段音频、2 段视频，单次请求 1 至 64 个问题。
为什么重要
多模态 Agent 管线通常需要先转录音频、再给视频打标注，然后才能让文本模型做决策，这带来延迟和工程复杂度。Clef-omni 把图像、音频、视频帧同步成一个序列联合处理，用一次 prefill 和一个小型联合 schema head 给出置信度分数，直接输出带概率的决策结果。对 AI 基础设施来说，这意味着推理环节可以少调用几个模型。价格方面，Clef-flash 降至每百万 token 0.038 美元，低于 TypeSafe 的 Jev 的 0.042 美元；托管版 Clef 迁移到 SGLang 后，中位延迟在约 800 token 时从 262 毫秒降至 152 毫秒，约 16,000 token 时从 2,721 毫秒降至 1,635 毫秒。竞争上，Cloudflare 用开源权重和低价切入决策模型这一细分方向。
对用户/开发者/创作者的影响
开发者可以省去单独的语音转录和图像描述环节，把多模态输入直接放进决策调用。如果正在构建客服意图路由、内容审核或表单处理类应用，Clef-omni 的意图分类表现值得测试：在官方基准中，BANKING77 宏观 F1 为 94.8，CLINC150+OOS 为 97.7。但官方数据也显示，它在推理和工作流任务上弱于文本专用的 Clef，例如 GPQA Diamond 准确率 47.4，而 Jev 为 78.3；家电案例精确匹配 69.3，Clef-flash 为 97.73。选型时不要只看多模态能力，还要按任务类型核对基准。目前公开信息显示，自托管在单张 H200 上约需 64 GB GPU 显存（bfloat16）。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，Clef-omni 在实际生产负载中的延迟和准确率是否与官方数据一致。第二，Cloudflare 是否继续补齐推理和复杂工作流短板，推出更强版本。第三，Jev 和 TypeSafe 是否会以多模态决策或价格调整回应。第四，开源权重能否吸引开发者在 Workers AI 之外自托管部署，形成生态扩散。
