Cloudflare 於二零二六年十月一日發布開源決策模型 Clef 與 Clef-flash，於 Workers AI 託管，權重採 Apache 2.0；官方稱在 Jev Decision Index 暫居領先，並與 Jev API 相容，同時推出強化學習微調服務。來源真實性已驗證。

決策模型輸出帶機率的結構化答案，供代理在熱路徑快速分類與路由，有別於開放式生成的大型語言模型。同週科技媒體亦報道亞馬遜推出同類 Decider 模型，顯示賽道升溫。對香港企業客服分流、威脅情報與合規審批自動化，屬可驗證的新基建選項。

Cloudflare／官方：推出開源決策模型 Clef——Workers AI 託管；視覺編碼與六萬四千上下文；同步開放 RL 微調平台

Cloudflare 於二零二六年十月一日（星期四）在官方網誌發布 Birthday Week 新產品：開源決策模型家族 Clef 與 Clef-flash，並於 Workers AI 託管；權重以 Apache 2.0 授權公開。官方稱 Clef 在 Jev Decision Index 上暫居領先，並與 Typesafe AI 的 Jev 系統 API 相容；同時首次亮相面向客戶的強化學習（RL）微調服務。本文已核對 Cloudflare 官方網誌與同週 TechCrunch 決策模型報道，來源真實性已驗證。

決策模型專門輸出有界、帶機率的結構化答案，供代理在熱路徑上快速分類與路由，有別於開放式生成文字的大型語言模型。對香港企業把客服分流、威脅情報分類或合規審批寫進代理工作流而言，這是可驗證、可本地跑、又可邊緣託管的新選項。

一、核心事件：Clef 開源上線，決策模型賽道升溫

技術細節

綜合 Cloudflare 官方網誌要點：

1. 產品組合

   • Clef 與 Clef-flash 兩款 Cloudflare 自訓決策模型，已託管於 Workers AI。
   • 權重開源，採 Apache 2.0，可下載至本地實驗（Hugging Face：Cloudflare/clef、Cloudflare/clef-flash）。
   • 官方稱在 Jev Decision Index 上目前領先，並提供即時基準示範站。
   • 與 Jev API 完全相容，方便既有整合替換。

2. 與一般 LLM／與 Jev 的差異（官方自述）

   • 決策模型針對「需要做決定」的節點：輸入狀態與結構化問題，輸出帶機率的類型化答案，供程式路由、升級或交回人類。
   • Clef 具備 視覺編碼器，可對圖像內容分類；官方對比 Jev 現階僅做文字分類。
   • 上下文視窗 六萬四千 token，官方對比 Jev 的三萬二千。
   • 在 Typesafe 自身評測套件上，Clef 系列於四個領域中的三個勝過 Jev；另在四十三項延遲相關評測中，Clef 系列多數情況下勝過其他決策模型（官方註：Laya 極快但品質取捨不同）。

3. 內部驗證案例（威脅情報）
   Cloudflare 威脅情報團隊以 Browser Run 把網域交給 Clef 分類：示例結果為約百分之九十五為時尚站、百分之八十五為電商、釣魚低於百分之一；完整抓取、渲染與分類約 二點二秒。同一工作流下，官方對比最快通用模型 gpt-oss-120b 約 四點七秒，且僅回傳兩個分類——約兩倍延遲節省並得到更豐富標籤。

4. RL 微調平台
   先以 Forward Deployed Engineer（FDE） 團隊手把手協助客戶微調，之後再推自助式資料擷取、微調與 redeploy。堆疊元件包括：AI Gateway（流量／資料集）、Workers AI（rollout）、Containers（RL 沙箱）、新增 Trainer（更新權重）、以及 Workers AI Bring-Your-Own-Model。

二、技術原理深度解析

官方說明 Clef 以 Qwen 為骨幹再做決策用途後訓練：推斷時先做 prefill-only，再對合法 schema 選項做並行打分；決策步為 非自回歸，不必逐 token 生成中間文字，因此比自回歸 LLM 更快。Clef 凍結 Qwen3.8-27B，Clef-flash 凍結 Qwen3.5-9B，並與 rank-256 低秩適配器一併優化路由頭；訓練結合 label-smoothed 交叉熵與 Brier loss 校準機率，另導入 Reinforcement Learning for Calibrated Decisions（RLCD） 作為第二優化目標。

這把「分類／路由」從「叫 LLM 用自然語言猜一個 JSON」改成「在固定 schema 上輸出校準機率」。代理可把 Clef 放在熱路徑，再把真正需要生成或工具呼叫的步驟交給 Workers AI 上的通用模型——符合 Cloudflare 自稱的「agent cloud」定位。

三、日常應用場景

1. 開發者與技術團隊

客服急迫度與團隊路由、內容審核、爬蟲好壞判斷、網域／頁面多標籤分類，都適合決策模型。Jev-API 相容與開源權重降低試錯成本；邊緣託管則有利於把決策延遲壓進產品熱路徑。

2. 企業與隱私敏感行業

官方強調企業就緒承諾：除非客戶選用微調產品，否則不讀取、儲存或以請求／回應訓練。金融、零售與受規管行業可先以託管 API 做分流原型，再把標註資料交給 FDE／未來自助 RL 管線，換取領域準確率。

3. 一般用戶

終端使用者通常不會直接呼叫 Clef，但會感受到更快的工單分流、更少誤判升級，以及代理助手在「要不要問人」節點上更穩定。

4. 香港與亞洲市場視角

香港企業私有代理與客服自動化需求上升，同時對資料出境敏感。Clef 提供三條平行路徑：Workers AI 邊緣 API、Apache 2.0 本地／私有部署，以及後續 RL 微調。結合粵英雙語客服、跨境電商審核與威脅情報分類，決策模型可比「凡事呼叫前沿大模型」更可預算、更可審計。

四、專業評價與潛在考量

優勢

• 官方開源 + 託管雙軌，基準與威脅情報案例數字可核對。
• 視覺輸入與更長上下文，針對多模態代理狀態有差異化。
• RL／FDE 路線圖把「通用決策模型」接到企業私有標註資料，商業閉環清楚。

需要留意的地方

• 「領先 Jev Decision Index」屬官方／基準站當下聲稱，賽道極新，排名會快速變動。
• 微調會犧牲部分通用能力以換取領域準確率；標註品質與分佈飄移仍是風險。
• 決策模型不能取代需要長鏈推理或開放式生成的工作；應放在代理圖的分類節點，而非整段對話。
• 同週多家推出類似模型，整合前應做自家延遲／校準／錯誤代價評測，勿只看行銷表。

結語

Clef 把「結構化、可機率校準的決策」從實驗變成可下載、可邊緣呼叫的產品，並用 RL 微調把企業私有標註接回同一模型族。對正在組裝代理工作流的香港團隊，這比再堆一層通用聊天更貼近營運節點。

如需在香港部署可審計的私有模型與代理管線（資料集 → QLoRA／LoRA → 私有 API，年費 HK$88,000 起，數據可不出境），可參考 YSK Limited 的企業私有 LLM 全託管：https://ysk.hk/services/ai-automation 。

參考來源

• Cloudflare 官方：Introducing Clef: our open-source decision models, and new RL fine-tuning platform — https://blog.cloudflare.com/clef-decision-models/
• Hugging Face：Cloudflare/clef、Cloudflare/clef-flash
• TechCrunch（同週決策模型浪潮佐證）：Amazon releases its own Jev clone as decision models flood the web — https://techcrunch.com/2026/10/01/amazon-releases-its-own-jev-clone-as-decision-models-flood-the-web/