Cloudflare于2026年10月9日发布Clef-omni，并将其接入Workers AI。该模型在文本和图像之外，新增对WAV、MP3音频以及MP4、WebM视频的直接处理能力，定位是面向多模态工作流的开放权重决策模型。Cloudflare官方公告
这项更新的重点不只是增加输入格式，而是减少传统多模态应用中的串联环节。此前，处理一段带声音的视频，通常需要先转写语音、拆分音视频轨道，再把结果交给文本决策模型；Cloudflare称，Clef-omni可以在一次请求中读取文本、图像、音频和视频，并根据预先定义的状态与问题模式返回各选项的概率。官方资料显示，该模型基于Qwen3-Omni-30B-A3B-Instruct混合专家架构，参数规模为300亿、激活参数约30亿。Cloudflare产品公告
从应用角度看，统一输入接口可能降低客服质检、语音与视频审核、现场记录分析等场景的工程复杂度。Cloudflare给出的延迟参考是：文本请求约20毫秒，图像或音频输入低于100毫秒，带声音的21秒视频片段约300毫秒；这些数字属于厂商披露的特定测试口径，不能直接等同于所有生产环境的性能。官方定价信息显示，Clef-omni的输入价格为每百万token 0.150美元，上下文窗口为6.4万token。Cloudflare Workers AI变更记录
需要注意的是，模型能够同时接收多种模态，并不意味着它在复杂视频理解、时间定位、事实核验或安全审核上都已经达到稳定生产标准。实际部署仍应检查长视频切分、音画不同步、隐私数据处理、错误概率校准和人工复核机制。当前可确认的是，Cloudflare正把多模态能力从“多个专用模型串联”推进到“单一决策模型统一接入”，其商业价值仍取决于真实任务中的准确率、成本和可解释性。
参考来源：
- Introducing Clef-omni with full multimodality, plus a faster Clef and a cheaper Clef-flash 2026-10-09
- Clef-omni adds audio and video input, Clef-flash is now cheaper, and Clef is faster 2026-10-09
由 AI 整理，仅供参考；请以原始来源为准。
