Cloudflare lança modelos Clef open source e plataforma de fine-tuning por RL

A Cloudflare mediu 2,2 segundos para buscar, renderizar e classificar um site com Clef, contra 4,7 segundos do modelo generalista gpt-oss-120b no mesmo fluxo. A empresa agora disponibiliza Clef e Clef-flash no Workers AI, publica os pesos sob licença Apache 2.0 e apresenta um serviço de ajuste fino por aprendizado por reforço.

Os modelos foram projetados para produzir decisões estruturadas com probabilidades, em vez de respostas abertas. Segundo o anúncio da Cloudflare, eles são compatíveis com a API do Jev e podem ser executados tanto na infraestrutura da empresa quanto localmente a partir dos repositórios no Hugging Face.

Decisões tipadas no lugar de texto aberto

Um modelo de decisão recebe um estado e um conjunto de perguntas, então devolve respostas tipadas acompanhadas de probabilidades. Em atendimento, por exemplo, a entrada pode ser uma mensagem de cliente; as saídas indicam se o caso é urgente, qual equipe deve tratá-lo e qual é sua severidade.

A aplicação não precisa interpretar texto livre para agir. O código pode encaminhar o chamado, acionar uma escalação ou transferir o caso para uma pessoa quando a probabilidade não atingir o limite definido pela equipe.

Essa abordagem difere do uso de um LLM generalista. Modelos de linguagem são adequados para raciocínio aberto, geração de texto e chamadas de ferramentas, mas suas respostas são amplas e majoritariamente não determinísticas. Clef procura ocupar uma etapa mais restrita do fluxo: classificar o contexto para orientar a próxima ação.

A Cloudflare também afirma que modelos dessa categoria conseguem trabalhar com diferentes entradas e categorias sem exigir novo treinamento a cada alteração na taxonomia. Isso permite usar a saída como contrato entre o modelo e a lógica da aplicação.

Clef inclui visão e contexto de 64k

Clef tem codificador de visão e pode classificar conteúdo visual, enquanto o Jev atualmente trabalha apenas com texto. A janela de contexto é de 64 mil, ante 32 mil do concorrente, permitindo incluir mais estado em uma única decisão.

Há duas variantes. Clef é apresentado como o modelo de maior precisão, enquanto Clef-flash prioriza decisões sensíveis à latência. Ambos ficam hospedados no Workers AI, onde a Cloudflare diz aproveitar GPUs na borda para reduzir também o tempo de rede.

No teste interno de inteligência de ameaças, Clef recebeu um domínio, utilizou Browser Run para carregar o site e retornou múltiplas categorias. O exemplo citado atribuiu 95% de probabilidade de o domínio pertencer a moda, 85% a comércio eletrônico e menos de 1% a phishing. O gpt-oss-120b, além de levar 4,7 segundos, devolveu apenas duas classificações.

Na prática, a proposta é colocar o modelo no caminho crítico de um agente: Clef decide como classificar ou encaminhar o estado, enquanto um LLM no Workers AI pode executar uma ação que exija geração ou raciocínio aberto.

Benchmarks e compatibilidade

A Cloudflare afirma que Clef lidera o Jev Decision Index. Nos testes baseados na suíte da própria Typesafe AI, os modelos Clef superaram Jev em três de quatro áreas.

A empresa também executou 43 benchmarks de avaliação e relata vantagem de latência sobre os demais modelos de decisão, com exceção do Laya. Nesse caso, a ressalva da Cloudflare é que a velocidade maior veio acompanhada de perda de qualidade nos testes apresentados.

A compatibilidade com a API do Jev reduz o trabalho necessário para experimentar uma substituição em sistemas existentes. A empresa ainda declara que não lê, armazena nem usa requisições e respostas para treinamento, exceto quando o cliente opta pelo produto de ajuste fino.

Fine-tuning por RL e limitações

O novo produto de aprendizado por reforço permite adaptar Clef a cargas específicas. A oferta começa como um serviço acompanhado pela equipe de forward-deployed engineers da Cloudflare; posteriormente, a empresa pretende liberar uma plataforma self-service para treinar e reimplantar o modelo em sua infraestrutura.

O material publicado pela Cloudflare não detalha preços, disponibilidade da etapa self-service nem o processo técnico de treinamento. Também não apresenta, no trecho divulgado, uma comparação independente dos benchmarks. Os números disponíveis foram produzidos pela própria fornecedora e precisam ser validados com dados representativos de cada aplicação.

Clef faz sentido quando o sistema exige saídas limitadas, tipadas e consumíveis diretamente por código, especialmente em roteamento, priorização e classificação multimodal. Não é uma substituição geral para LLMs quando a tarefa depende de geração aberta, conversação ou raciocínio não delimitado; nesses casos, a arquitetura mais coerente é combinar o modelo de decisão com um modelo generalista.