Cloudflare开源Clef-omni：首个支持音视频原生输入的多模态决策模型

Cloudflare近日发布了全新的开源多模态决策模型Clef-omni，这是该公司Clef系列的重大升级。与前代产品不同，Clef-omni首次实现了对音频和视频的原生支持，无需预处理即可直接处理wav、mp3、mp4等多种格式的音视频内容。

该模型基于Qwen3-Omni-30B-A3B-Instruct架构构建，专注于结构化决策任务而非生成冗长文本。官方测试显示，处理纯文本请求的中位响应时间仅130毫秒，图像处理约150毫秒，而21秒长的视频内容仅需1.5秒即可完成评分。

伴随新模型发布，Cloudflare还对价格体系进行了调整，Clef-flash输入价格下降58%，上下文窗口从64k缩减为24k。分析人士认为，Clef-omni的开源将为开发者构建复杂智能工作流提供更高效的底层支撑。