Cloudflare merilis Clef-omni ke Workers AI pada 9 Oktober 2026. Model ini menerima teks, JSON, gambar, audio, dan video dalam satu permintaan, lalu mengembalikan keputusan terstruktur berdasarkan pertanyaan yang sudah ditentukan pengembang.

Itu membuat Clef-omni berbeda dari chatbot umum. Model ini tidak dirancang untuk menulis jawaban panjang atau melanjutkan percakapan bebas. Pengembang memberikan sebuah state—misalnya isi tiket dukungan, foto perangkat, rekaman suara, atau video—kemudian mendefinisikan pertanyaan dengan pilihan jawaban yang sah. Hasilnya adalah skor atau probabilitas untuk setiap opsi.

Cloudflare menyebut pendekatan tersebut sebagai decision model. Alih-alih meminta model menghasilkan teks lalu mengekstrak maksudnya dengan parser tambahan, aplikasi bisa menerima keluaran yang bentuknya sudah diketahui sejak awal. Untuk alur kerja yang membutuhkan klasifikasi, triase, pemeriksaan kepatuhan, atau penyortiran konten, perbedaan ini cukup penting. Kode aplikasi tidak perlu menebak apakah jawaban model berarti “urgent”, “technical”, atau “sales” dari kalimat yang berubah-ubah.

Satu permintaan untuk empat jenis input

Clef-omni dibangun di atas arsitektur mixture-of-experts 30 miliar parameter, dengan sekitar 3 miliar parameter aktif pada satu waktu. Cloudflare mengatakan model ini membaca teks, gambar, audio, dan video secara langsung. Untuk video yang memiliki suara, model dapat memproses gambar bergerak dan soundtrack dalam konteks yang sama.

Skenario yang diberikan Cloudflare cukup praktis: sebuah sistem inspeksi dapat mengirim foto label perangkat, rekaman suara mesin, dan video kipas yang sedang berputar. Pertanyaan yang diajukan bisa berupa apakah nomor seri terlihat, apakah suara mesin terdengar normal, dan apakah kipas menyala. Semua jawaban dikembalikan dalam satu struktur, bukan tiga respons teks terpisah yang harus dirangkai ulang oleh aplikasi.

Cloudflare juga menyatakan bahwa model ini dibuat untuk keputusan cepat. Dalam pengujian internal mereka, permintaan teks membutuhkan sekitar 20 milidetik, sedangkan input gambar atau audio berada di bawah 100 milidetik. Video 21 detik dengan suara disebut dapat diproses sekitar 300 milidetik. Angka ini adalah klaim dari Cloudflare, bukan hasil pengujian independen PeDeDe, sehingga lebih tepat dibaca sebagai gambaran target penggunaan daripada jaminan latensi untuk setiap akun dan beban kerja.

Bukan model generatif serbaguna

Batasan Clef-omni sekaligus menjadi alasan model ini menarik. Ia tidak menghasilkan narasi bebas. Jika aplikasi membutuhkan ringkasan rapat, balasan pelanggan, atau transkripsi, model keputusan seperti ini bukan pengganti langsung untuk model generatif. Perannya lebih dekat ke lapisan penilaian yang mengubah data mentah menjadi keputusan dengan skema yang konsisten.

Cloudflare mendokumentasikan tiga tipe pertanyaan: noul untuk jawaban ya atau tidak, choice untuk memilih satu opsi dari daftar, dan score untuk memberikan penilaian berjenjang. Pada tipe pilihan, hasilnya menyertakan probabilitas per opsi. Pada tipe skor, aplikasi dapat memakai nilai probabilitas untuk memperkirakan tingkat keparahan. Struktur ini cocok untuk sistem yang harus meneruskan pekerjaan ke tim atau jalur berbeda tanpa menambahkan banyak logika pascaproses.

Model ini tersedia melalui endpoint Workers AI dengan ID @cf/cloudflare/clef-omni dan selector clef-omni. Dokumentasi Cloudflare mencantumkan konteks 64.000 token dan harga 0,15 dolar AS per satu juta token input. Media dihitung sebagai token input; output token tidak dikenai biaya menurut halaman model tersebut. Batas praktisnya tetap perlu diperhatikan: satu permintaan hanya menerima hingga empat klip audio dan dua video, sedangkan ukuran media dan total konteks menentukan apakah request dapat diproses.

Dampaknya untuk aplikasi di edge

Nilai utama Clef-omni bukan sekadar jumlah modalitas yang didukung. Cloudflare sedang mendorong pola aplikasi yang menaruh keputusan kecil di dekat tempat data diproses. Tiket, gambar, audio, dan video dapat dinilai tanpa lebih dulu melewati rangkaian transkripsi, ekstraksi frame, klasifikasi, dan parser keluaran yang berbeda-beda. Lebih sedikit tahap berarti lebih sedikit titik kegagalan, walau bukan berarti hasil model otomatis benar.

Pengembang tetap harus menentukan pertanyaan dengan hati-hati, menyediakan jalur eskalasi untuk skor yang tidak meyakinkan, dan menguji model pada data yang benar-benar mewakili pengguna mereka. Probabilitas bukan bukti. Dalam inspeksi perangkat, moderasi, atau dukungan pelanggan, keputusan yang salah tetap dapat menimbulkan biaya meski format responsnya rapi.

Clef-omni juga dirilis sebagai bagian dari keluarga Clef open-weight Cloudflare. Model di Hugging Face menjelaskan bahwa Clef-omni dipost-train dari Qwen3-Omni-30B-A3B-Instruct, tetapi keluaran utamanya tetap diarahkan ke keputusan bertipe, bukan jawaban percakapan. Arah ini menunjukkan pendekatan yang lebih sempit dan operasional: AI tidak selalu perlu berbicara panjang; kadang aplikasi hanya membutuhkan keputusan yang dapat diaudit dan dipakai mesin.

Sumber https://blog.cloudflare.com/clef-faster-cheaper-multimodal/ Dokumentasi model: https://developers.cloudflare.com/workers-ai/models/clef-omni/ Model open-weight: https://huggingface.co/Cloudflare/clef-omni