Cloudflare为Clef决策模型加入音视频能力，并下调Clef‑flash价格

Cloudflare于2026年10月9日宣布推出Clef‑omni，这是一款可同时接收音频、视频、图像和文本输入的决策模型。此次更新还下调了Clef‑flash的价格，使其低于竞品Jev模型，并提升了原版Clef在Cloudflare Workers AI平台上的运行速度。

Clef‑omni的功能

Clef‑omni基于Qwen3‑Omni‑30B‑A3B‑Instruct混合专家模型构建。与只能处理文本的早期决策模型不同，它可以直接接收wav或mp3音频，以及mp4或webm视频，还能处理图片和文字。如今，开发者只需发送一次API请求，就能对来自这些媒体类型的选项进行评分，无须再单独搭建转录或图像识别流程。

测试显示，纯文本查询约需130 ms返回结果，图像输入约需150 ms，音频片段只需几百毫秒；处理一段带声音的21秒视频则约需1.5 秒。

价格与速度调整

Clef‑flash的价格已从每百万输入token $0.09降至$0.038，低于TypeSafe的Jev模型。托管版Clef‑flash的上下文窗口现限制为24 k token，低于此前的64 k；不过，开放权重仍支持256 k token，可供用户自行托管。

原版Clef的价格仍为每百万token $0.24。基础设施升级——包括改用SGLang服务框架——让它处理大型输入的速度提升了约一倍。