Cloudflare 推出开放权重决策 AI 模型 Clef-omni，新增支持音频 / 视频输入

10 月 10 日消息，Cloudflare 昨日（10 月 9 日）发布公告，宣布推出开放权重决策模型 Clef-omni，支持单次 API 调用处理文本、图像、音频和视频等。

定位方面，该模型在此前 Clef 系列模型基础上，扩展支持多模态输入，模型权重已在 Hugging Face 开放。

多模态支持方面，此前的 Clef 支持文本、图像及从视频中抽取的连续画面（把视频按时间抽取成一张张静态图像，再把这些图像按顺序作为输入交给模型），而 Clef-omni 新增音频和完整视频输入，支持 wav、mp3、mp4 和 webm 格式。

Cloudflare 称，开发者无需另行搭建语音转写及音视频拆分流程，可用一个模型处理多种输入。

Cloudflare 称，Clef-omni 基于 Qwen3-Omni-30B-A3B-Instruct 构建，并保留其主要理解能力。模型面向结构化决策任务，不生成常规文本输出。公司公布的测试中，纯文本请求中位响应时间约 130 毫秒，图像约 150 毫秒；带声音的 21 秒视频约 1.5 秒完成评分。

Cloudflare 还将 Clef-flash 每百万输入 Token 价格从 0.09 美元（注：现汇率约合 0.6 元人民币）降至 0.038 美元（现汇率约合 0.25 元人民币），降幅约 58%。Clef-flash 托管版上下文窗口同步从 64k 缩至 24k。