Cloudflare、意思決定モデル Clef-Flash を公開──テキストや画像から直接確率を出力
Qwen3.5-9B をベースにテキスト・画像・動画から指定スキーマの決定確率を 1 フォワードパスで直接算出し、パース処理を排除する。
リリース: 2026-10-05 · 読了 3 分記事の要約
1. 核心（What）
- Cloudflare は 2026 年 10 月 5 日、9B パラメータのマルチモーダル意思決定モデル Clef-Flash を HuggingFace で公開した。
- 状態データ（テキスト、JSON、画像、動画）と型付き質問のスキーマを受け取り、1 フォワードパスですべての質問の選択肢ごとの確率を算出する。
- Qwen/Qwen3.5-9B をベースにポストトレーニングされており、標準の sharded safetensors 形式で保存されている。
- Jev および SystemOne API と完全に互換性があり、Apache-2.0 ライセンスで配布されている。
2. 影響（Why）
- パース処理の完全な排除: 自由テキストの生成と出力の正規表現パースが不要になるため、API 応答の構造不一致によるシステム停止や例外処理の実装コストを完全にゼロにする。
- マルチモーダルな決定処理の効率化: 単一の H200 GPU 上でテキスト・画像・動画を同一バッチに混在させて処理できるため、多様な入力形式を持つ業務アプリケーションへの組み込みが容易になる。
3. 根拠・詳細（How）
- 結合スキーマヘッドのアーキテクチャ: Qwen3.5-9B の最終隠れ状態から証拠を各質問にルーティングする小型のトランスフォーマーヘッドを備え、全質問の選択肢を共同でスコアリングする。
- 実行環境と依存ライブラリ: torch 2.11 および transformers 5.10.2 を使用し、単一の H200 GPU で動作する。画像や動画を入力する場合は追加で pillow ライブラリが必要となる。
4. 展望・課題（Next）
- 上位バリアント Clef の展開: より大規模なパラメータを持つ上位バリアントである Clef の公開および詳細なベンチマーク結果の公開が予定されている。