Cloudflare در 9 اکتبر 2026 اعلام کرد که Clef‑omni را عرضه می‌کند؛ مدلی برای تصمیم‌گیری که ورودی‌های صوتی، ویدیویی، تصویری و متنی را هم‌زمان می‌پذیرد. در همین به‌روزرسانی، قیمت مدل Clef‑flash نیز از مدل رقیب Jev کمتر شده و مدل اصلی Clef در پلتفرم Workers AI شرکت Cloudflare سرعت بیشتری پیدا کرده است.
قابلیت‌های Clef‑omni
Clef‑omni بر پایه مدل ترکیبی متخصصان Qwen3‑Omni‑30B‑A3B‑Instruct ساخته شده است. برخلاف مدل‌های تصمیم‌گیری پیشین که فقط متن را پردازش می‌کردند، این مدل می‌تواند فایل‌های صوتی wav یا mp3 و ویدیوهای mp4 یا webm را مستقیماً، در کنار تصویر و متن، دریافت کند. اکنون یک درخواست API می‌تواند گزینه‌ها را بر اساس هر یک از این انواع رسانه ارزیابی کند و دیگر نیازی به خط لوله‌های جداگانه برای تبدیل گفتار به متن یا تشخیص تصویر نیست.
در آزمون‌ها، پاسخ به پرسش‌های صرفاً متنی حدود 130 ms، ورودی‌های تصویری حدود 150 ms و کلیپ‌های صوتی چند صد میلی‌ثانیه طول می‌کشد؛ پردازش ویدیوی 21ثانیه‌ای همراه با صدا نیز تقریباً 1.5 ثانیه زمان می‌برد.
تغییرات قیمت و سرعت
قیمت Clef‑flash از $0.09 به $0.038 برای هر میلیون توکن ورودی کاهش یافته و به این ترتیب از مدل Jev شرکت TypeSafe ارزان‌تر شده است. پنجره زمینه نسخه میزبانی‌شده Clef‑flash اکنون به 24 k توکن محدود شده (در مقایسه با 64 k پیشین)، هرچند وزن‌های متن‌باز آن همچنان برای میزبانی شخصی از 256 k توکن پشتیبانی می‌کنند.
قیمت مدل اصلی Clef همچنان $0.24 برای هر میلیون توکن است. این مدل اکنون به‌لطف ارتقای زیرساخت، از جمله انتقال به چارچوب ارائه سرویس SGLang، ورودی‌های بزرگ را حدود دو برابر سریع‌تر پردازش می‌کند.
چرا مهم است
توسعه‌دهندگان اکنون می‌توانند یک مرحله هوش مصنوعی بسازند که مثلاً با بررسی عکس، صدای ضبط‌شده و ویدیوی کوتاه، تشخیص دهد آیا یک وسیله خانگی به‌درستی نصب شده است یا نه. کاهش قیمت Clef‑flash استفاده از مدل‌های تصمیم‌گیری را برای کسب‌وکارهای کوچک‌تری که باید تعداد زیادی تصویر یا سند را بررسی کنند مقرون‌به‌صرفه‌تر می‌کند و سرعت بیشتر مدل Clef نیز تأخیر را در برنامه‌های بلادرنگ کاهش می‌دهد.
