A Cloudflare lançou o Clef e o Clef flash, seus primeiros modelos próprios voltados a decisões estruturadas para agentes de inteligência artificial. Disponíveis no Workers AI e com pesos publicados sob licença Apache 2.0, eles foram desenvolvidos para classificar solicitações, escolher rotas de ação e determinar quando um agente deve escalar uma decisão para uma pessoa.
Anunciada na quinta-feira (1º), a tecnologia mira uma etapa diferente daquela ocupada pelos grandes modelos de linguagem. Em vez de produzir texto aberto, o Clef recebe um conjunto definido de opções e retorna probabilidades para cada resposta permitida, gerando uma saída estruturada que pode ser consumida diretamente por software.
Na prática, um agente pode usar o modelo para identificar urgência, encaminhar uma solicitação à equipe correta ou decidir quando é necessária intervenção humana. A proposta é retirar tarefas recorrentes de classificação do caminho dos LLMs maiores, reduzindo latência e custo computacional.
Clef aposta em velocidade para decisões estruturadas
A Cloudflare afirma que o Clef alcançou a melhor pontuação em sete de dez benchmarks de decisão avaliados pela empresa. Em testes de latência, o modelo registrou mediana de 209,3 milissegundos, enquanto o Clef flash chegou a 38,8 milissegundos. O Jev, usado como referência, marcou 524,1 milissegundos.
O Clef também oferece classificação de imagens e uma janela de contexto de 64 mil tokens. Segundo a empresa, os modelos são compatíveis com a API do Jev, o que facilita testes em aplicações já construídas sobre essa interface.
Em um teste interno para classificação de domínios, o Clef levou 2,2 segundos para buscar, renderizar e classificar um site, contra 4,7 segundos de um modelo generalista gpt oss 120b.
Cloudflare prepara modelos personalizados para agentes
A arquitetura usa versões da família Qwen como base. Segundo a Cloudflare, o Clef parte do Qwen3.8 27B, enquanto o Clef flash utiliza o Qwen3.5 9B, com mecanismos próprios para restringir a saída a decisões dentro de esquemas definidos.
A empresa também apresentou um serviço de fine tuning com reinforcement learning para adaptar o Clef a cargas específicas. A iniciativa deverá evoluir para uma plataforma de autosserviço para captura de dados, treinamento e implantação de versões personalizadas.
O lançamento reforça uma arquitetura em que agentes podem dividir tarefas entre diferentes modelos. LLMs maiores ficam responsáveis por geração e tarefas abertas, enquanto sistemas especializados como o Clef assumem decisões rápidas e estruturadas.
