# chen-reneau-flansburg-clef-decision-models-2026-10-01

## Veille

Beitrag von **Michelle Chen, Alex Reneau und Kevin Flansburg**, veröffentlicht am **1. Oktober 2026** im **Cloudflare**-Blog (~10 Minuten Lesezeit, Woche des „AI Birthday“). Cloudflare veröffentlicht **Clef** und **Clef-flash**, seine ersten selbst trainierten Modelle, gehostet auf **Workers AI** und als Open Source verteilt (Apache 2.0, Hugging Face), zusammen mit einem Fine-Tuning-Dienst für Reinforcement Learning.

## Titre Article

Introducing Clef: our open-source decision models, and new RL fine-tuning platform

## Date

2026-10-01

## URL

https://blog.cloudflare.com/clef-decision-models/

## Keywords

Clef, Clef-flash, Entscheidungsmodell, Cloudflare, Workers AI, Jev, Jev Decision Index, Open Source, Apache 2.0, Fine-Tuning, Reinforcement Learning, RLCD, Qwen, DiffusionGemma, logprobs, Kalibrierung, Latenz, Klassifizierung, AI Gateway, Cloud Agent

## Authors

Michelle Chen, Alex Reneau, Kevin Flansburg — équipe Workers AI / plateforme IA, blog Cloudflare.

## Ton

Produktankündigung eines Engineering-Teams, positiv und technisch im Ton. Die Einleitung positioniert Clef gegenüber dem „Buzz“ um Jev, danach wechseln sich konkrete Beispiele (Domain-Klassifizierung durch Threat Intelligence, Support-Ticket-Triage), Benchmark-Tabellen und Trainingsdetails (Rank-256-Adapter, Brier-Loss) ab. Der Name wird durch eine musikalische Analogie erklärt (der Notenschlüssel, der den Tonbereich der Notenlinien festlegt; „CF“ für Cloudflare). Der Text spricht über die Zukunft der Plattform: Der Fine-Tuning-Dienst beginnt mit Forward-Deployed Engineers (FDE), die Self-Service-Version folgt später, und Cloudflare sucht nach Design-Partner-Kunden.

## Pense-betes

- **Im Artikel genannte Definition**: Ein Entscheidungsmodell liefert typisierte Antworten mit Wahrscheinlichkeiten; der Code leitet weiter, eskaliert oder übergibt an einen Menschen. Rahmen: Agenten, die Kontext sammeln, entscheiden und handeln, wobei ein Mensch nur bei Bedarf eingreift.
- **Interner Fall**: Domain-Klassifizierung durch das Threat-Intelligence-Team mit Browser Run: **2,2 s** zum Abrufen, Rendern und Klassifizieren, gegenüber 4,7 s für gpt-oss-120b, das nur zwei Kategorien zurücklieferte.
- **Ausgewählte Ergebnisse** (Clef / Clef-flash / Jev): BFCL 98,47 / 98,76 / 95,75; BANKING77 94,20 / 90,93 / 79,74; When2Call 72,37 / 65,58 / 80,97; BRIGHT 45,91 / 39,26 / 47,52. Bei den Workflows von TypeSafe: Billing 64,7 vs. 61,8, Agent-Trace-Observability 68,5 vs. 71,6.
- **Training**: eingefrorene Qwen-Basis (Qwen3.8-27B für Clef, Qwen3.5-9B für Clef-flash), Routing-Head und Rank-256-Adapter, Label-Smoothing-Cross-Entropy plus Brier-Loss, anschließend **RLCD** mit Teilpunkten für benachbarte ordinale Optionen. Der ursprüngliche Ansatz passte DiffusionGemma an, indem Logprobs offengelegt wurden.
- **RL-Dienst**: AI Gateway (Datensatz aus dem Traffic), Workers AI (Rollouts), Containers (Scoring-Sandbox), *Trainer* (neu), Workers AI mit einem mitgebrachten Modell (Cog, von Replicate übernommen). Kundendaten werden nicht gelesen oder gespeichert, außer für das Fine-Tuning.
- ⚠️ **In den Tabellen sichtbare Einschränkungen**: Clef-flash fällt bei CLINC150+OOS auf 66,77, und Jev bleibt bei When2Call, BRIGHT und PhishNChips vorn (DiffusionGemma Jev bei 85,35); Laya ist schneller, aber deutlich weniger genau.

## RésuméDe400mots

Am **1. Oktober 2026** kündigen **Michelle Chen, Alex Reneau und Kevin Flansburg** im **Cloudflare**-Blog zwei Entscheidungsmodelle an, **Clef** und **Clef-flash**, gehostet auf **Workers AI** und auf Hugging Face unter der Apache-2.0-Lizenz veröffentlicht, zusammen mit einem Fine-Tuning-Produkt für Reinforcement Learning. Der Beitrag beginnt mit dem „Buzz“ um das **Jev**-Modell von TypeSafe: Ein Entscheidungsmodell, das kostengünstig und schnell produziert wird, liefert durchgängig begrenzte strukturierte Ausgaben und ist dazu bestimmt, in einen Workflow eingefügt zu werden, wenn eine Entscheidung erforderlich ist – im Gegensatz zu LLMs, die weitgehend nicht-deterministisch, aber offen sind.

Ein Entscheidungsmodell empfängt einen Zustand, zum Beispiel eine Support-Nachricht, und beantwortet typisierte Fragen (Dringlichkeit, Team, Schweregrad) mit Wahrscheinlichkeiten, die der Code nutzt, um weiterzuleiten, zu eskalieren oder an einen Menschen zu übergeben. Bei Cloudflare klassifiziert Clef Domains für Threat Intelligence: 2,2 Sekunden, um eine Website abzurufen, zu rendern und zu klassifizieren, gegenüber 4,7 Sekunden für gpt-oss-120b, das nur zwei Kategorien zurücklieferte.

Clef unterscheidet sich von Jev durch einen **Vision-Encoder**, der die Bildklassifizierung ermöglicht, sowie einen **64k**-Kontext gegenüber 32k. Die API ist mit der von Jev kompatibel, was den Austausch unkompliziert macht. Im *Jev Decision Index* liegt Clef vorn; die Tabellen zeigen klare Vorteile (BFCL 98,47, BANKING77 94,20, CLINC150+OOS 97,43) sowie Fälle, in denen Jev oder eine Variante vorn bleiben (When2Call, BRIGHT, PhishNChips). Bei den Workflow-Evaluierungen von TypeSafe schlägt Clef Jev in drei von vier Fällen. Mediane Latenz: 209,3 ms für Clef, 38,8 ms für Clef-flash, 524,1 ms für Jev; das Hosting im Edge-GPU-Netzwerk reduziert die Netzwerklatenz. Clef kann sich somit im kritischen Pfad eines Agenten befinden, noch vor einem LLM, das mit dem Handeln betraut ist.

Training: Das Projekt ging von einer Anpassung von DiffusionGemma aus, die Logprobs offenlegt, aufbauend auf der Arbeit von Matt Mastracci. Clef nutzt ein eingefrorenes Qwen3.8-27B (Clef-flash: Qwen3.5-9B) für einen reinen Prefill-Durchlauf und bewertet dann parallel die gültigen Optionen des Schemas, ohne Texterzeugung. Ein zweistufiger Attention-Routing-Head und Rank-256-Adapter werden mit Label-Smoothing-Cross-Entropy und einem Brier-Loss zur Kalibrierung trainiert, anschließend mit **RLCD**, das benachbarten ordinalen Optionen Teilpunkte gewährt.

Der Fine-Tuning-Dienst richtet sich zunächst an Kunden, die von Forward-Deployed Engineers betreut werden, eine Self-Service-Version soll folgen. Er stützt sich auf AI Gateway (Datensatz), Workers AI (Rollouts), Containers (Scoring-Sandbox), einen neuen *Trainer* (Gewichtsaktualisierungen) und das Deployment mitgebrachter Modelle. Cloudflare sieht darin eine Möglichkeit, Clef mithilfe seiner fünfzehn Jahre an gelabelten Daten zu spezialisieren (Moderation, Support-Triage, Bots) und seinen „Cloud Agent“ zu verkörpern.

## GrapheDeConnaissance

- Michelle Chen —travaille_chez→ Cloudflare (ORGANISATION, 0.9)
- Cloudflare —publie→ Clef (TECHNOLOGIE, 0.98)
- Cloudflare —publie→ Clef-flash (TECHNOLOGIE, 0.98)
- Clef-flash —est_variante_de→ Clef (TECHNOLOGIE, 0.93)
- Clef —est_instance_de→ modèle de décision (CONCEPT, 0.97)
- Clef —converge_avec→ Jev (TECHNOLOGIE, 0.92)
- Clef —surpasse→ Jev (TECHNOLOGIE, 0.85)
- Clef —est_basé_sur→ Qwen (TECHNOLOGIE, 0.96)
- Clef —utilise→ RLCD (METHODOLOGIE, 0.95)
- Clef —s_inspire_de→ DiffusionGemma (TECHNOLOGIE, 0.88)
- Clef —mesure→ latence médiane de 209,3 ms (Clef-flash : 38,8 ms) contre 524,1 ms pour Jev (MESURE, 0.95)
- Clef —mesure→ 2,2 s pour classer un domaine contre 4,7 s pour gpt-oss-120b (MESURE, 0.95)
- Clef —utilise→ Workers AI (TECHNOLOGIE, 0.96)
- service de fine-tuning RL —utilise→ AI Gateway (TECHNOLOGIE, 0.94)
- service de fine-tuning RL —utilise→ Cloudflare Containers (TECHNOLOGIE, 0.94)
- Cloudflare —publie→ service de fine-tuning RL (TECHNOLOGIE, 0.95)
- Cloudflare —affirme_que→ Clef a le potentiel de changer la façon d'utiliser les agents (AFFIRMATION, 0.8)
- Jev —permet→ décisions typées à probabilités calibrées (CONCEPT, 0.85)

---
Canonical: https://www.thekb.eu/de/fiches/chen-reneau-flansburg-clef-decision-models-2026-10-01/