Cloudflare 推出开放权重多模态决策模型 Clef-omni

Cloudflare 宣布推出开放权重决策模型 Clef-omni，支持单次 API 调用同时处理文本、图像、音频和视频，权重已在 Hugging Face 开放。相比此前 Clef 系列仅支持文本、图像及视频抽帧，新模型新增音频和完整视频输入，兼容 wav、mp3、mp4、webm 格式。

该模型基于 Qwen3-Omni-30B-A3B-Instruct 构建，面向结构化决策任务，不生成常规文本。官方测试显示，纯文本请求中位响应约 130 毫秒，图像约 150 毫秒，21 秒带声音视频评分约 1.5 秒，开发者无需另行搭建语音转写或音视频拆分流程。

价格方面，Clef-flash 每百万输入 Token 由 0.09 美元降至 0.038 美元，降幅约 58%，托管版上下文窗口从 64k 缩至 24k；Clef-omni 每百万输入 Token 0.15 美元、输出 0.60 美元。