Cloudflare heeft op 9 okt 2026 de lancering aangekondigd van Clef-omni, een beslismodel dat audio, video, afbeeldingen en tekst tegelijk als invoer accepteert. Met dezelfde update verlaagt het bedrijf de prijs van Clef-flash, waardoor het model goedkoper is dan concurrent Jev, en maakt het het oorspronkelijke Clef-model sneller op het Workers AI-platform van Cloudflare.
Wat Clef-omni kan
Clef-omni is gebaseerd op Qwen3-Omni-30B-A3B-Instruct, een foundationmodel met een mixture-of-experts-architectuur. Anders dan eerdere beslismodellen, die alleen tekst konden verwerken, kan het rechtstreeks wav- of mp3-audio en mp4- of webm-video verwerken, naast afbeeldingen en tekst. Met één API-aanroep kunnen nu opties worden beoordeeld op basis van elk van deze mediatypen. Aparte transcriptie- of beeldherkenningspipelines zijn daardoor niet meer nodig.
Tekstvragen worden in tests in ongeveer 130 ms beantwoord, beeldinvoer in ongeveer 150 ms en audiofragmenten in enkele honderden milliseconden. Een video van 21 seconden met geluid wordt in ongeveer 1,5 seconde verwerkt.
Prijs- en snelheidsaanpassingen
De prijs van Clef-flash is verlaagd van $0.09 naar $0.038 per miljoen invoertokens, waardoor het goedkoper is dan het Jev-model van TypeSafe. Het contextvenster van de gehoste versie van Clef-flash is nu beperkt tot 24 k tokens, tegenover 64 k voorheen. De open weights ondersteunen bij zelfhosting nog steeds 256 k tokens.
Het oorspronkelijke Clef-model blijft $0.24 per miljoen tokens kosten en werkt nu ongeveer twee keer zo snel bij grote invoer dankzij verbeteringen aan de infrastructuur, waaronder de overstap naar het serveerframework SGLang.
Waarom het ertoe doet
Ontwikkelaars kunnen nu één AI-stap bouwen die een foto, geluidsfragment en korte video beoordeelt om bijvoorbeeld vast te stellen of een huishoudelijk apparaat goed is geïnstalleerd. Door de lagere prijs van Clef-flash zijn beslismodellen betaalbaar voor kleine bedrijven die veel afbeeldingen of documenten moeten scannen. Het snellere Clef-model verlaagt de latentie voor realtime toepassingen.
