Cloudflare 於二零二六年十月九日宣布，決策模型系列新增全模態 Clef-omni，可在單一 API 呼叫同時處理文字、圖像、音訊與視像；並將 Clef-flash 託管價由每百萬輸入代幣約九美分降至約三點八美分，同時以服務層優化讓 Clef 中位延遲加快約一點七至兩倍。

官方強調 Clef 家族並非生成長文的大型語言模型，而是對結構化問題直接輸出校準機率與選項分數，兼容既有 Jev／System One API。來源真實性已對照 Cloudflare 產品博客、Workers AI 更新日誌與模型文件核實。

Cloudflare／官方：Clef-omni 全模態決策上線——音訊視像一次評分；Clef-flash 降至約三點八美分／百萬代幣，Clef 中位加快約一點七至兩倍

二零二六年十月九日，Cloudflare 於官方博客與 Workers AI 更新日誌宣布：繼上周推出開源決策模型 Clef 與 Clef-flash 之後，再發布 Clef-omni，在文字與圖像之外原生接受 WAV／MP3 音訊與 MP4／WebM 視像；同時把託管版 Clef-flash 價格由每百萬輸入代幣 0.09 美元降至 0.038 美元（官方稱已低於競品 Jev），並以服務基礎設施優化讓 Clef 在約八百、三千四百、一萬六千代幣輸入規模下，中位延遲分別約加快 1.7×、2.0×、1.7×。本文已核對官方原文要點，來源真實性已驗證。

一、核心事件：決策模型進入「看、聽、讀」同一請求

技術細節

按產品博客，決策模型自 TypeSafe 的 Jev 登場以來，多數仍以文字為主；初代 Clef 已支援圖像與視像幀陣列，但 Clef-omni 可把音訊與完整視像檔一併送入，避免「語音轉寫 → 影音拆軌 → 再交文字決策模型」的級聯管線。

官方公開的可核對要點包括：

• 模型識別：Workers AI 模型 ID @cf/cloudflare/clef-omni；請求內 model 選擇器為 clef-omni。
• 骨幹：建基於 Qwen3-Omni-30B-A3B-Instruct 混合專家（MoE）理解骨幹；文件描述為約 三百億參數、啟用約三十億；捨棄文字轉語音輸出路徑，專注評分而非生成散文。
• 輸入上限（模型頁）：最多 4 張圖、4 段音訊、2 段視像；音訊單段最長約 300 秒、視像單段最長約 60 秒；遠端 URL 不接受，須以 base64 data URL 嵌入。
• 上下文：託管 Clef-omni 與 Clef 為 64k；託管 Clef-flash 為配合降價改為 24k（官方稱僅約 0.24% 請求超過 24k）；Hugging Face 權重仍標示可自建更高上下文（flash 權重敘述可至 256k）。
• 定價（每百萬輸入代幣）：Clef-flash 0.038 美元、Clef-omni 0.15 美元、Clef 0.24 美元；決策模型不按輸出代幣計費；圖像／音訊／視像會換算成輸入代幣。
• 延遲（產品博客自述）：純文字決策中位約 130 毫秒；含圖像約 150 毫秒；音訊約數百毫秒；約 21 秒含聲視像約 1.5 秒完成評分。Workers AI 更新日誌另列更快數量級數字，實際以線上文件為準。
• Clef 加速表（服務層、權重不變）：約 800 tokens 中位 262→152 ms（約 1.7×）；約 3,400 tokens 616→305 ms（約 2.0×）；約 16,000 tokens 2,721→1,635 ms（約 1.7×）。官方指部分優化來自改用 SGLang 服務（預計納入 SGLang 0.5.22）。

開源權重繼續放上 Hugging Face；API 維持與 Jev／System One 兼容，亦可經 AI Gateway 切換模型 ID。

二、技術原理深度解析

Clef 系列的核心主張，是把「分類／路由／嚴重度評分」從「先叫 LLM 寫一段再解析 JSON」改成 schema 約束的一次評分：請求帶上 state（狀態）與最多六十四條 typed questions（如 noul 是否題、choice 多選、score 等級），模型對每個合法選項輸出機率，供程式直接分支，而不是再解析自由文字。

Clef-omni 在此之上把多模態媒體映射進同一序列：官方描述先做完整 payload 的 prefill，再以兩階段注意力把各選項對文字片段、畫面與音訊證據做匯聚，最後交叉注意力產出校準分數；訓練上凍結 Qwen3 骨幹、以 LoRA 適配，並結合標籤平滑交叉熵與 Brier score 校準。結果是：不必為每個通道各開一個專用小模型，也能在同一契約下做「標籤是否可見、運轉聲是否異常、風扇是否轉動」這類跨模態核對。

計費與上下文也反映媒體成本：模型頁指出圖像經縮放後以約 32×32 patch 計 token（每圖最多約 1,024 token）；音訊約每分鐘 780 token；視像在最高解析度下可達約每分鐘 15,400 frame token，另加有聲軌約每分鐘 780 token。這對香港企業評估「邊緣巡檢／客服錄音／短片合規」的單位成本有直接意義。

四、日常應用場景

1. 開發者與技術團隊

若代理工作流需要「讀工單 + 看截圖 + 聽通話錄音」再決定升級哪一隊，可把多模態輸入一次交給 Clef-omni，減少自建 ASR／caption 鏈。Jev 兼容意味著既有 System One 客戶端多半只需改模型 ID。自建場景可下載開源權重，並留意官方公布的 SGLang 啟動方式。

2. 企業與隱私敏感行業

Cloudflare 內部用例包括：公開 GitHub 文件庫以 Clef 偵測並關閉垃圾議題、內容系統稽核外掛釣魚、DLP 掃描政府證件等 PII、威脅情報輔助惡意網域判斷。金融、保險、醫療若要把類似決策留在可控邊界，可評估 Workers AI 託管與自建權重兩條路；香港對數據出境敏感的機構，更應把「媒體是否上傳公有端點」寫進架構審查。

3. 一般用戶

一般消費者不會直接「安裝一個 Clef」，但會間接受惠於更快的垃圾內容審核、客服分流與釣魚偵測。產品本質仍是企業／開發者 API，不是面向大眾的聊天機械人。

4. 香港與亞洲市場視角

香港中小企與金融科技團隊已大量把客服錄音、店舖 CCTV 短片、維修現場照片納入營運系統。全模態決策模型降低「先請人聽完再標籤」的人力成本，但也提高對音訊／視像留存、同意書與跨境傳輸的合規要求。亞洲市場同時面對 TypeSafe Jev 生態融資升溫與開源決策模型價格戰；Cloudflare 以邊緣託管 + 開源權重雙軌，對已使用 Workers／AI Gateway 的團隊切換成本較低。

五、專業評價與潛在考量

優勢

• 官方同日給出模型 ID、定價表、上下文取捨、加速對照表與多項基準數字，產品可核對性高。
• 全模態單一請求切中代理式系統真實痛點；價格下調與加速回應「決策要夠便宜才能處處呼叫」的市場壓力。
• 與既有 Jev API 兼容，降低遷移摩擦；開源權重保留自建與私有化選項。

需要留意的地方

• 基準多為 Cloudflare 自報；PhishNChips 等項目上 Clef-omni 並非全面領先 Clef／Clef-flash，選型仍須按任務回歸測試。
• 託管 Clef-flash 上下文縮至 24k 是降價的明確取捨；長上下文應改用 Clef 或自建。
• 產品博客與更新日誌對 Clef-omni 延遲數量級表述不完全一致，上線前應以 Workers AI 即時文件與自身區域探測為準。
• 媒體 token 成本可使「看似便宜的每百萬代幣價」在長視像場景快速累積；需按分鐘級用量建模。

結語

Clef-omni 把 Cloudflare 決策模型系列推到「文字＋圖像＋音訊＋視像」同一契約，並以 Clef-flash 降價與 Clef 服務層加速回應規模化呼叫的成本與延遲壓力。對香港企業而言，重點不只是多一個模型名稱，而是能否把審核、分流、巡檢與威脅分類做成可測試、可校準的程式介面。若貴司需要在本地或私有環境部署類似決策／領域模型，可參考 YSK Limited 的企業私有 LLM 全託管（https://ysk.hk/services/ai-automation；年費 HK$88,000 起，Dataset → QLoRA／LoRA → 私有 API，強調數據不出境）；若要在自有機器跑 Hugging Face 開源權重並提供 OpenAI 兼容介面，亦可了解 YSK Omni（https://ysk.hk/products/ysk-omni）。

參考來源

• Cloudflare 官方博客（主來源）：https://blog.cloudflare.com/clef-faster-cheaper-multimodal/ （2026-10-09）
• Cloudflare Workers AI 更新日誌：https://developers.cloudflare.com/changelog/post/2026-10-09-clef-omni-workers-ai/ （2026-10-09）
• Clef-omni 模型文件：https://developers.cloudflare.com/workers-ai/models/clef-omni/
• 前作對照（初代 Clef 發布，本站 #1238）：https://blog.cloudflare.com/clef-decision-models/ （2026-10-01）