Cloudflare 推出多模态决策模型 Clef-omni，新增音频视频输入支持并下调定价

10 月 9 日，Cloudflare 正式发布公告，宣布推出基于开源权重的决策型 AI 模型 Clef-omni。该模型在原有 Clef 系列基础上扩展了多模态输入能力，支持通过单次 API 调用同时处理文本、图像、音频及视频数据，模型权重已在 Hugging Face 平台开放下载。Clef-omni 原生支持 wav、mp3、mp4 和 webm 格式的音频与视频输入，不再像前代模型那样仅接受从视频中抽取的静态连续画面。这意味着开发者无需搭建额外的语音转写或音视频拆分流程，即可利用单一模型完成多种类型的数据分析任务。该模型基于 Qwen3-Omni-30B-A3B-Instruct 构建并保留了其核心理解能力，专门面向结构化决策场景设计，不提供常规的文本生成输出。在性能测试中，纯文本请求的响应时间约为 130 毫秒，图像处理约为 150 毫秒，而对包含声音的 21 秒视频完成评分仅需约 1.5 秒。在多项基准测试对比中，Clef-omni 展现了优异的综合表现。数据显示其在 BFCL 精确匹配率、ToolRet nDCG@10、API-Bank 准确率以及家用电器分类等关键指标上均取得显著高分，特别是在 CLINC150+OOS 宏平均 F1 评分上达到 97.7，优于对比的 Clef-flash 及其他模型。Cloudflare 同时调整了服务定价策略，将 Clef-flash 每百万输入 Token 的价格从 0.09 美元大幅下调至 0.038 美元，降幅约为 58%，当前汇率下约合人民币 0.25 元。Clef-omni 的输入价格为每百万 Token 0.15 美元（约合人民币 1 元），输出价格则为每百万 Token 0.60 美元（约合人民币 4 元）。此前 Clef-flash 托管版的上下文窗口已从 64k 缩小至 24k，而 Clef-omni 作为新一代模型在保持高效处理能力的同时，通过多模态融合技术解决了传统逐帧视频处理效率低的问题，为复杂内容理解提供了新的解决方案。随着 Cloudflare 推出 Clef-omni，AI 领域在多模态输入处理与结构化决策结合方面迈出了新步伐，该模型及其相关服务现已面向开发者开放，预计将推动垂直场景下多模态应用的发展。此次发布不仅丰富了 Open Weights 生态中的模型选择，也进一步降低了企业接入高质量决策型 AI 的成本门槛，为需要同时处理图文影音数据的业务场景提供了可靠的技术底座。来源：IT 之家（ithome），原文发布于 2026 年 10 月 10 日。