Cloudflare 於 10 月 9 日正式發佈公告，推出了全新的開放權重決策模型 Clef-omni。該模型在原有的文本與圖像處理能力基礎上，進一步擴展了對音頻和完整視頻格式的支持，能夠通過單次 API 調用同時處理多模態內容。

image.png

多模態升級與架構解析

在多模態支持方面，傳統的 Clef 模型主要處理文本、圖像以及通過按時間間隔抽取的靜態連續畫面。而新推出的 Clef-omni 則原生支持 wav、mp3、mp4 和 webm 等音視頻格式。這一改進省去了開發者以往需要額外部署語音轉寫及音視頻拆分流程的繁瑣步驟，可以用單一模型高效處理多樣化的輸入需求。

根據官方公佈的技術細節，Clef-omni 基於 Qwen3-Omni-30B-A3B-Instruct 構建，並保留了其核心理解能力。該模型主要面向結構化決策任務，不生成常規的文本輸出。在性能表現上，純文本請求的中位響應時間約爲 130 毫秒，圖像約爲 150 毫秒；處理一段包含聲音的 21 秒視頻大約僅需 1.5 秒即可完成評分。

價格下調與系列模型對比

伴隨新模型的發佈，Cloudflare 同步下調了 Clef-flash 的使用價格，每百萬輸入 Token 的費用從 0.09 美元大幅下調至 0.038 美元，降幅約爲 58%，其託管版的上下文窗口也從 64k 調整至 24k。整體而言，當前該系列模型的階梯定價滿足了不同開發者的成本與性能需求。