Cloudflare lanzó Clef y Clef flash, sus primeros modelos propios orientados a decisiones estructuradas para agentes de inteligencia artificial. Disponibles en Workers AI y con pesos publicados bajo licencia Apache 2.0, fueron desarrollados para clasificar solicitudes, elegir rutas de acción y determinar cuándo un agente debe escalar una decisión a una persona.
Anunciada el jueves (1º), la tecnología apunta a una etapa diferente de la que ocupan los grandes modelos de lenguaje. En lugar de producir texto abierto, Clef recibe un conjunto definido de opciones y devuelve probabilidades para cada respuesta permitida, generando una salida estructurada que puede ser consumida directamente por software.
En la práctica, un agente puede usar el modelo para identificar urgencia, encaminar una solicitud al equipo correcto o decidir cuándo es necesaria la intervención humana. La propuesta es sacar las tareas recurrentes de clasificación del camino de los LLM más grandes, reduciendo latencia y costo computacional.
Clef apuesta por la velocidad para decisiones estructuradas
Cloudflare afirma que Clef alcanzó la mejor puntuación en siete de diez benchmarks de decisión evaluados por la empresa. En pruebas de latencia, el modelo registró una mediana de 209,3 milisegundos, mientras que Clef flash llegó a 38,8 milisegundos. Jev, usado como referencia, marcó 524,1 milisegundos.
Clef también ofrece clasificación de imágenes y una ventana de contexto de 64 mil tokens. Según la empresa, los modelos son compatibles con la API de Jev, lo que facilita las pruebas en aplicaciones ya construidas sobre esa interfaz.
En una prueba interna para la clasificación de dominios, Clef tardó 2,2 segundos en buscar, renderizar y clasificar un sitio, frente a 4,7 segundos de un modelo generalista gpt oss 120b.
Cloudflare prepara modelos personalizados para agentes
La arquitectura usa versiones de la familia Qwen como base. Según Cloudflare, Clef parte del Qwen3.8 27B, mientras que Clef flash utiliza el Qwen3.5 9B, con mecanismos propios para restringir la salida a decisiones dentro de esquemas definidos.
La empresa también presentó un servicio de ajuste fino con aprendizaje por refuerzo para adaptar Clef a cargas específicas. La iniciativa deberá evolucionar hacia una plataforma de autoservicio para la captura de datos, el entrenamiento y el despliegue de versiones personalizadas.
El lanzamiento refuerza una arquitectura en la que los agentes pueden dividir tareas entre diferentes modelos. Los LLM más grandes se encargan de la generación y de las tareas abiertas, mientras que los sistemas especializados como Clef asumen decisiones rápidas y estructuradas.
