Cloudflare 发布 Clef-omni：多模态决策模型新选择

Cloudflare 推出开源多模态决策模型

Cloudflare 发布了一款名为 Clef-omni 的多模态决策模型，采用 Apache-2.0 开源协议，基于阿里巴巴的 Qwen3-Omni-30B-A3B 构建。这款模型的核心特点在于：它能够在一次调用中同时对文本、图像、音频和视频四种模态的内容进行评分与判断，而不需要分别调用多个专用模型。

对于内容审核、信任与安全（Trust & Safety）等场景来说，这种一体化的决策能力意味着架构上的简化。开发者不必再为不同模态搭建独立的处理管线，而是可以把判断逻辑收敛到单个模型里，降低了系统集成的复杂度。

30B-A3B 架构与定价策略

从命名可以看出，Clef-omni 继承了 Qwen3-Omni 的 30B-A3B 架构。这里的 30B 指模型总参数规模约 300 亿，而 A3B 表示采用了激活参数约 30 亿的混合专家（MoE）稀疏结构。这种设计让模型在保持较强能力的同时，推理时只激活一部分参数，从而在成本和性能之间取得平衡。

定价方面，Cloudflare 给出了颇具竞争力的方案：

• Clef-omni：每百万输入 token 收费 $0.15
• Clef-flash：轻量版本，价格降至 $0.038 每百万输入 token

Clef-flash 的价格相比标准版下降了约四分之三，适合对延迟和成本更敏感、而对判断精度要求相对宽松的高吞吐场景。两个档位的组合让团队可以根据实际业务需求灵活取舍。

混合专家（Mixture of Experts，MoE）是一种将模型划分为多个"专家"子网络的架构范式。在推理时，一个轻量级的"路由器"（Router）会根据输入内容动态选择少数几个专家参与计算，而非激活全部参数。这一机制使模型可以在总参数量很大（从而具备广泛的知识容量）的同时，单次推理的实际计算量仅相当于一个规模小得多的稠密模型。以 30B-A3B 为例，虽然模型"拥有"300亿参数，但每次前向传播只激活约30亿参数，算力消耗和延迟与一个同规模的稠密30亿模型相近，却能获得接近300亿参数模型的知识表达能力。这也是 MoE 架构近年来在大语言模型领域（如 Mixtral、DeepSeek^广告、Qwen3 系列）被广泛采用的根本原因。

多模态决策模型的应用价值

传统的内容判断往往依赖针对单一模态训练的分类器——文本一套、图像一套、音视频再各自一套。当需要综合判断一段同时包含图文和语音的内容时，这种分散的架构既增加了调用成本，也让结果难以统一。

Clef-omni 把四种模态的评分能力整合进单次调用，直接解决了这一痛点。配合 Apache-2.0 的宽松许可，企业既可以通过 Cloudflare 的托管服务按量付费使用，也可以基于开源权重自行部署和微调，不受商用限制。这对于希望掌控数据和模型的组织而言，提供了更大的灵活度。

信任与安全（Trust & Safety）是互联网平台用于管理用户生成内容（UGC）的核心职能，涵盖违规检测、骚扰识别、虚假信息过滤、CSAM（儿童性剥削材料）拦截等场景。随着短视频、语音消息、图文混排等富媒体内容的爆炸式增长，单模态分类器的局限性日益凸显——例如，一条视频可能只有结合画面与语音才能判断是否构成违规，单独分析任何一个模态都可能得出错误结论。多模态联合决策模型通过在同一语义空间内融合多种输入信号，理论上能更准确地捕捉跨模态的语义关联，从而减少漏判和误判，这也是此类模型对内容安全团队产生吸引力的关键所在。

小结

Clef-omni 代表了多模态内容决策走向统一化、低成本化的一个方向。基于 Qwen3-Omni-30B-A3B 的稀疏架构、覆盖文本/图像/音频/视频的一体化评分、以及 $0.15 与 $0.038 两档亲民定价，构成了它的主要卖点。对于正在搭建内容审核或信任安全体系的团队，这款开源模型值得纳入技术选型的评估清单。