Cloudflare veröffentlicht Open‑Source‑Entscheidungsmodelle Clef und Clef‑flash: Strukturierte Urteile für KI‑Agenten mit niedriger Latenz

Nachrichtenübersicht

Am 1. Oktober 2026 hat Cloudflare offiziell in seinem Unternehmens‑Blog sowie im Workers‑AI‑Marktplatz zwei neue Open‑Source‑Entscheidungsmodelle – Clef und Clef‑flash – veröffentlicht. Beide Modelle basieren auf den von Alibaba entwickelten Basismodellen Qwen3.8‑27B bzw. Qwen3.5‑9B. Die Modellgewichte werden unter der Apache‑2.0‑Lizenz bereitgestellt, was bedeutet, dass Nutzer die Modelle frei herunterladen, in eigenen Umgebungen bereitstellen und nach Bedarf weiter trainieren dürfen. Dieser Schritt markiert einen bedeutenden Wandel für Cloudflare, das bislang vor allem als Content‑Delivery‑Network (CDN) bekannt war, hin zu einer Plattform, die KI‑Agenten und deren Entscheidungslogik am Netz‑Rand unterstützt.

Technischer Hintergrund und Modellkonzept

Ein "Entscheidungsmodell" ist ein KI‑Modell, das im Gegensatz zu generativen Großmodellen keine freien Textausgaben erzeugt, sondern für vordefinierte binäre Ja/Nein‑Fragen, einzelne Auswahlmöglichkeiten oder Bewertungsaufgaben die Wahrscheinlichkeitsverteilung jeder möglichen Antwort zurückgibt. Durch diese fokussierte Ausgabe lässt sich das Modell leichter in automatisierte Workflows einbinden, weil keine nachträgliche Text‑Parsing‑Logik nötig ist und die Kosten für die Nachbearbeitung reduziert werden. Die Clef‑Familie nutzt die Instrukt‑Feinabstimmungstechnologie der Qwen‑Reihe, um das semantische Verständnis der Basismodelle zu bewahren, und fügt in der letzten Schicht einen probabilistischen Klassifikations‑Head hinzu, der exakt die gewünschten Wahrscheinlichkeitswerte erzeugt.

Hauptspezifikationen von Clef und Clef‑flash

• Clef: Basierend auf Qwen3.8‑27B, etwa 2,7 Milliarden Parameter, unterstützt einen Kontext von bis zu 64 KB und enthält einen integrierten Bild‑Encoder, sodass gemischte Bild‑Text‑Eingaben verarbeitet werden können.
• Clef‑flash: Basierend auf Qwen3.5‑9B, etwa 900 Millionen Parameter, ebenfalls mit 64 KB Kontextunterstützung, konzentriert sich ausschließlich auf reine Text‑Entscheidungen und bietet dadurch eine noch schnellere Antwortzeit.
• Lizenzierung: Apache‑2.0, erlaubt kommerzielle Nutzung sowie Weiterverbreitung der Modelle.
• Bereitstellung: Kann über die Workers‑AI‑API direkt aufgerufen werden und ist zudem kompatibel mit dem TypeSafe‑Jev‑SDK.
• Ausgabeformat: Wahrscheinlichkeitsvektor oder binärer Score, ideal für Anwendungsfälle wie Ticket‑Routing, Domain‑Klassifizierung, Proxy‑Firewalls und Routing‑Entscheidungen.

Leistungstests und Latenzverhalten

Cloudflare berichtet aus internen Tests, die insgesamt 43 Messungen umfassten, dass das Clef‑Modell eine mediane Latenz von 209,3 Millisekunden aufweist, während Clef‑flash mit einer medianen Latenz von 38,8 Millisekunden deutlich schneller reagiert. Im Vergleich dazu liegt die Latenz des auf derselben Plattform laufenden TypeSafe‑Jev‑Modells bei 524,1 Millisekunden, was den Vorteil der neuen Modelle deutlich macht. In Bezug auf Qualitätsmetriken wie Genauigkeit und Rückrufrate schneiden die beiden Modelle je nach Testscenario unterschiedlich ab: Bei komplexen Bild‑Entscheidungen hat Clef die Oberhand, während Clef‑flash bei reinen Text‑Entscheidungen schneller und konkurrenzfähiger ist. Cloudflare weist jedoch ausdrücklich darauf hin, dass diese internen Ergebnisse noch einer unabhängigen, externen Validierung durch Dritte bedürfen.

Plattform für Reinforcement‑Learning‑Feinabstimmung

Parallel zur Modellveröffentlichung stellt Cloudflare eine Reinforcement‑Learning‑(RL‑)Feinabstimmungs‑Plattform bereit. Diese Plattform wurde zunächst vom internen Cloudflare‑Engineering‑Team entwickelt, um ein Basis‑Feinabstimmungs‑Framework zu schaffen. Anschließend wird ein Self‑Service‑Interface angeboten, über das Unternehmen ihre eigenen Datensätze nutzen können, um das Modell ein zweites Mal zu verfeinern. Der Feinabstimmungs‑Workflow umfasst die Gestaltung von Umwelt‑Feedback‑Mechanismen, die Definition von Belohnungsfunktionen und die iterative Optimierung der Entscheidungsstrategie. Das Endergebnis ist ein auf die spezifischen Geschäftsanforderungen zugeschnittenes Entscheidungsmodell, das weiterhin in der Workers‑AI‑Umgebung ausgeführt wird und damit volle Kompatibilität mit den ursprünglichen Modellen gewährleistet.

Nutzungsbeschränkungen und Risiken

Cloudflare warnt ausdrücklich, dass Unternehmen vor dem produktiven Einsatz von Clef oder Clef‑flash die Wahrscheinlichkeits‑Schwellenwerte anhand ihrer eigenen Daten kalibrieren müssen, um zu verhindern, dass die vom Anbieter vorgegebenen Benchmarks als alleinige Entscheidungsgrundlage für hochriskante Anwendungen verwendet werden. Die Modelle garantieren keine fehlerfreie Leistung in allen Domänen; insbesondere bei rechtlichen, medizinischen oder finanziellen Compliance‑Entscheidungen ist weiterhin eine menschliche Überprüfung erforderlich. Obwohl die Open‑Source‑Lizenz Modifikationen erlaubt, können unsichere Anpassungen zu Modell‑Drift oder Anfälligkeit für adversariale Angriffe führen, wenn keine bewährten Sicherheits‑ und Qualitätspraktiken befolgt werden.

Branchenauswirkungen und zukünftige Perspektiven

Für Unternehmen in Taiwan bietet die Clef‑Familie eine praktikable Lösung, um KI‑Entscheidungen mit niedriger Latenz direkt am Netz‑Rand zu realisieren. Call‑Center können die Modelle einsetzen, um eingehende Support‑Tickets in Echtzeit zu priorisieren und an die richtigen Fachabteilungen weiterzuleiten. E‑Commerce‑Plattformen können über die CDN‑Edge‑Standorte schädlichen Datenverkehr sofort klassifizieren und blockieren, während Finanzinstitute die Modelle nutzen können, um an der API‑Grenze schnell das Risiko von Transaktionen zu bewerten. Sollte künftig eine unabhängige Dritt‑Validierung die gemeldeten Leistungswerte bestätigen, ist zu erwarten, dass weitere SaaS‑Anbieter diese Entscheidungsmodelle in ihre Service‑Verträge integrieren werden. Dies würde die Verbreitung von KI‑Agenten in lokalisierten Anwendungsfällen weiter beschleunigen und die Rolle von Edge‑KI in der digitalen Infrastruktur stärken.