Cloudflare于2026年10月9日宣布推出Clef-omni，一款面向决策与分类任务的开放权重多模态模型。该模型可在同一次调用中接收文本、图片、音频和视频输入，官方称其目标是减少语音转写、视频拆帧及多模型级联处理的需要。消息发布日期在最近7天内，属于与多模态应用落地相关的新进展。
据Cloudflare介绍，Clef-omni基于Qwen3-Omni-30B-A3B-Instruct混合专家模型的理解能力构建，但移除了文本转语音输出组件，并采用结构化选项评分机制，直接对预设字段或决策选项进行判断。公司给出的示例包括同时分析设备照片、运行声音和风扇视频，以判断铭牌是否可见、设备声音是否正常以及风扇是否运行。
性能方面，Cloudflare称文本输入的中位响应时间约为130毫秒，图片输入约为150毫秒，音频处理需要几百毫秒，带声音的21秒视频约1.5秒完成评分。公司还公布了多项基准测试结果，但这些数据来自发布方自身评测，测试条件、样本和实际生产环境表现仍需独立验证，不能据此推断其在所有多模态任务中均优于其他模型。
商业与部署方面，Clef-omni以每百万输入令牌0.15美元的价格提供，Clef系列模型权重同时发布至Hugging Face。Cloudflare还将Clef-flash的价格从每百万输入令牌0.09美元下调至0.038美元，但托管版本上下文窗口由此前宣传的64K降至24K；公司表示，只有0.24%的请求超过24K输入令牌。该调整显示，多模态模型的竞争不仅在于输入类型覆盖，也涉及推理延迟、调用成本、上下文长度和自托管能力之间的权衡。
从应用角度看，音频、视频与图像在单一流程中的联合判断，可能适用于设备巡检、内容审核、客服质检、威胁识别和数据防泄漏等场景。不过，涉及安全、合规或高风险决策时，仍需要人工复核、数据隐私保护和针对具体业务的误报漏报评估。当前可确认的信息主要来自Cloudflare官方公告，模型的实际可用性与稳定性尚待开发者和第三方进一步测试。
参考来源：
- Introducing Clef-omni with full multimodality, plus a faster Clef and a cheaper Clef-flash 2026-10-09
由 AI 整理，仅供参考；请以原始来源为准。
