Cloudflare Clef: Jev API'siyle uyumlu açık karar modelleri

TypeSafe’in Jev’ini kopyalama ve geçme yarışı büyük bir altyapı şirketine ulaştı. Cloudflare 1 Ekim’de, kendi eğittiği, Workers AI’da barındırdığı ve Hugging Face’te Apache-2.0 lisansıyla yayımladığı iki karar modelini, Clef ve Clef-Flash’ı duyurdu. Cloudflare, Clef’in şu anda Jev Decision Index’te önde olduğunu söylüyor. Bu yazı ne yayımlandığını, nasıl kurulduğunu ve rakamların neyi gösterip neyi göstermediğini anlatıyor. Aşağıdaki tüm rakamlar Cloudflare’in; modelleri çalıştırmadık.

Ne yayımlandı

• Clef: 27 milyar parametre, Qwen3.8-27B’den post-train edilmiş. Cloudflare onu “precision model” olarak tanımlıyor.
• Clef-Flash: 9 milyar parametre, Qwen3.5-9B’den post-train edilmiş, latency’nin kritik olduğu kararlar için.

Bir karar modeli, Jev ve Laya-MLX yazımızda anlattığımız gibi, bir state ve bir dizi tipli soru alıp metin üretmek yerine her izin verilen cevap için bir olasılık döndürüyor. Clef’in model kartı API’nin “Jev ve SystemOne ile tamamen uyumlu” olduğunu söylüyor, yani Jev için yazılmış bir uygulama aynı isteği gönderebiliyor. Cloudflare Jev’den iki farkı öne çıkarıyor: Clef’in bir vision encoder’ı var, bu yüzden metin ve JSON’un yanında görsel ve video da sınıflandırabiliyor; ayrıca Cloudflare’in Jev için verdiği 32k’ya karşı 64k bir context window’u var.

Cloudflare’in kendi örneği Threat Intelligence ekibinden: bir alan adı ve render edilmiş sayfası verildiğinde Clef moda, e-ticaret ya da phishing gibi kategori olasılıkları döndürüyor. Cloudflare bu iş akışının Clef ile 2,2 saniye, gpt-oss-120b ile 4,7 saniye sürdüğünü ve onun daha az sınıflandırma döndürdüğünü söylüyor.

Nasıl kurulmuş

Cloudflare Qwen backbone’unu donduruyor ve rank-256 LoRA adaptörleriyle birlikte bir routing head eğitiyor. Inference sırasında backbone yalnızca bir prefill geçişi yapıyor, ardından küçük bir “joint schema head” her sorunun her izin verilen seçeneğini paralel olarak puanlıyor; sorular birbirine ve girdiye attention uygulayabiliyor. Token token decoding yok. Eğitim, kalibrasyon için Brier loss ile label-smoothed cross-entropy kullanıyor, Cloudflare’in kendi sentetik verisiyle; ardından Cloudflare’in Reinforcement Learning for Calibrated Decisions (RLCD) dediği bir pekiştirmeli öğrenme aşaması geliyor. Bu, TypeSafe’in Jev’in arkasındaki eğitim yöntemine verdiği adın aynısı; Cloudflare yöntemlerin ilişkili olup olmadığını söylemiyor. Çalışma, DiffusionGemma’yı bir karar modeline uyarlayan daha önceki bir Cloudflare deneyinden başlamış.

Rakamları dikkatle okumak

Manşet iddia, Clef’in Jev Decision Index’te önde olduğu. Bunu okumanın yeri Cloudflare’in kendi grafiği: Clef 61,2, Clef-Flash 57,1, Jev 57,9 alıyor. Gösterge, Clef’in iki noktasını “Cloudflare (self-reported)”, tablodaki açık modelleri ise “board-validated” olarak işaretliyor. Tablo Clef’in puanlarını doğrulayana kadar bu liderlik Cloudflare’in kendi ölçümü.

Yazıdaki benchmark tablosu da manşetten daha karışık:

Benchmark	Clef	Clef-Flash	Jev
BFCL (case exact)	98,47	98,76	95,75
BANKING77 (macro-F1)	94,20	90,93	79,74
CLINC150+OOS (macro-F1)	97,43	66,77	89,27
When2Call (accuracy)	72,37	65,58	80,97
BRIGHT (nDCG@10)	45,91	39,26	47,52
PhishNChips (accuracy)	79,60	75,05	62,55

Clef çoğu satırda önde, ama When2Call ve BRIGHT’ı Jev kazanıyor ve tam tabloda PhishNChips’te en yüksek puanı DiffusionGemma tabanlı bir Jev varyantı alıyor (85,35). Clef-Flash CLINC150+OOS’ta sert düşüyor. TypeSafe’in kendi dört iş akışı setinde Cloudflare, Clef’in üçünde Jev’in önünde olduğunu bildiriyor; agent trace observability’de Jev önde (71,6’ya karşı 68,5).

Hızda Cloudflare, 43 değerlendirme boyunca ortanca latency’yi Clef-Flash için 38,8 ms, Clef için 209 ms ve Jev için 524 ms olarak bildiriyor; p95 sırasıyla 122, 239 ve 536 ms. Yazı bunun bir kısmını Cloudflare’in edge’deki GPU’larında çalışmaya bağlıyor ve karşılaştırma için Jev’in nasıl çağrıldığını ayrıntılandırmıyor, yani bunlar aynı koşullarda alınmış donanım rakamları değil.

Fine-tuning ve veri

Cloudflare ayrıca bir pekiştirmeli öğrenme fine-tuning hizmeti başlatıyor. Cloudflare’in forward-deployed engineering ekibiyle uygulamalı başlıyor ve self-serve bir platforma dönüşmesi planlanıyor: trafiği AI Gateway ile yakalamak, rollout’ları Workers AI’da üretmek, Containers’da puanlamak, ağırlıkları yeni bir Trainer bileşeniyle güncellemek ve sonucu Workers AI’da yeniden deploy etmek.

Veri konusunda Cloudflare, müşteri fine-tuning’i seçmedikçe Clef isteklerini ya da yanıtlarını okumadığını, saklamadığını ve onlarla eğitim yapmadığını söylüyor.

Yorumumuz

• Jev API’si bir standarda dönüşüyor. Cloudflare yeni bir arayüz icat etmedi, Jev’inkini kopyaladı. Bu, karar modellerini birbirinin yerine kullanılabilir kılıyor; kullanıcılar için iyi, TypeSafe için daha zor.
• Asıl fark görseller. Bu sınıftaki modellerin çoğu yalnızca metin okuyor. Ekran görüntülerini, render edilmiş sayfaları ya da video karelerini sınıflandırmak phishing örneği gibi kullanımlar açıyor; ilk denenecek yer de bunlar.
• Kazanan ilan etmeden doğrulamayı bekleyin. Liderlik self-reported puanlara dayanıyor ve Jev hâlâ birkaç görevi kazanıyor. Geçmeden önce ikisini de kendi sorularınızla çalıştırın.
• Aynı gün başkaları da yayımladı. Perplexity de Hugging Face’te, yine Qwen3.8-27B üzerine ve Apache-2.0 lisansla, Jev ile kendi karşılaştırmasını içeren pplx-decider-v1-27b’yi yayımladı. Bu haftanın yayınlarını ayrı bir yazıda bir araya getireceğiz.

Editoryal inceleme: 2 Ekim 2026 (AI). Cloudflare’in duyurusundan ve Clef ile Clef-Flash model kartlarından, hepsi aynı gece tamamı okunarak hazırlandı. Tüm benchmark ve latency rakamları Cloudflare’indir ve bağımsız olarak doğrulanmadı; modelleri çalıştırmadık. Görseller Cloudflare’indir, kredi ve kaynak bağlantısıyla yeniden üretilmiştir.