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

## Veille

Publicación de **Michelle Chen, Alex Reneau y Kevin Flansburg**, publicada el **1 de octubre de 2026** en el blog de **Cloudflare** (~10 minutos de lectura, semana del "AI Birthday"). Cloudflare lanza **Clef** y **Clef-flash**, sus primeros modelos entrenados internamente, alojados en **Workers AI** y distribuidos como código abierto (Apache 2.0, Hugging Face), junto con un servicio de ajuste fino por aprendizaje por refuerzo.

## 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, modelo de decisión, Cloudflare, Workers AI, Jev, Jev Decision Index, código abierto, Apache 2.0, ajuste fino, aprendizaje por refuerzo, RLCD, Qwen, DiffusionGemma, logprobs, calibración, latencia, clasificación, AI Gateway, agente en la nube

## Authors

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

## Ton

Publicación de lanzamiento de producto de un equipo de ingeniería, de tono positivo y técnico. La apertura posiciona a Clef frente al "revuelo" en torno a Jev, y luego alterna ejemplos concretos (clasificación de dominios por Threat Intelligence, triaje de tickets de soporte), tablas de benchmarks y detalles de entrenamiento (adaptadores de rango 256, pérdida de Brier). El nombre se explica mediante una analogía musical (la clave que fija el rango de notas del pentagrama; "CF" por Cloudflare). El texto habla del futuro de la plataforma: el servicio de ajuste fino comienza con ingenieros desplegados en campo (FDE), la versión de autoservicio llega después, y Cloudflare busca clientes como socios de diseño (design partners).

## Pense-betes

- **Definición expuesta en el artículo**: un modelo de decisión devuelve respuestas tipadas con probabilidades; el código enruta, escala o deriva a un humano. Marco: agentes que recopilan contexto, deciden y actúan, con un humano solo cuando es necesario.
- **Caso interno**: clasificación de dominios por el equipo de Threat Intelligence con Browser Run: **2,2 s** para obtener, renderizar y clasificar, frente a 4,7 s de gpt-oss-120b, que solo devolvía dos categorías.
- **Resultados seleccionados** (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. En los flujos de trabajo de TypeSafe: facturación 64,7 frente a 61,8, observabilidad de trazas de agentes 68,5 frente a 71,6.
- **Entrenamiento**: base Qwen congelada (Qwen3.8-27B para Clef, Qwen3.5-9B para Clef-flash), cabeza de enrutamiento y adaptadores de rango 256, entropía cruzada con suavizado de etiquetas más pérdida de Brier, y después **RLCD** con crédito parcial para las opciones ordinales vecinas. El enfoque inicial adaptó DiffusionGemma exponiendo los logprobs.
- **Servicio de RL**: AI Gateway (dataset a partir del tráfico), Workers AI (rollouts), Containers (sandbox de puntuación), *Trainer* (nuevo), Workers AI con un modelo aportado (Cog, heredado de Replicate). Los datos del cliente no se leen ni se almacenan, salvo para el ajuste fino.
- ⚠️ **Salvedades visibles en las tablas**: Clef-flash cae a 66,77 en CLINC150+OOS y Jev se mantiene por delante en When2Call, BRIGHT y PhishNChips (DiffusionGemma Jev en 85,35); Laya es más rápido pero notablemente menos preciso.

## RésuméDe400mots

El **1 de octubre de 2026**, **Michelle Chen, Alex Reneau y Kevin Flansburg** anuncian en el blog de **Cloudflare** dos modelos de decisión, **Clef** y **Clef-flash**, alojados en **Workers AI** y publicados en Hugging Face bajo licencia Apache 2.0, junto con un producto de ajuste fino por aprendizaje por refuerzo. La publicación arranca a partir del "revuelo" en torno al modelo **Jev** de TypeSafe: un modelo de decisión producido de forma económica y rápida, que devuelve de manera consistente salidas estructuradas y acotadas, pensado para insertarse en un flujo de trabajo cuando se requiere una decisión, a diferencia de los LLM, que son en gran medida no deterministas pero de final abierto.

Un modelo de decisión recibe un estado, por ejemplo un mensaje de soporte, y responde a preguntas tipadas (urgencia, equipo, gravedad) con probabilidades, que el código utiliza para enrutar, escalar o derivar a un humano. En Cloudflare, Clef clasifica dominios para Threat Intelligence: 2,2 segundos para obtener, renderizar y clasificar un sitio, frente a 4,7 segundos de gpt-oss-120b, que solo devolvía dos categorías.

Clef se diferencia de Jev por un **codificador de visión**, de ahí la clasificación de imágenes, y un contexto de **64k** frente a 32k. La API es compatible con la de Jev, lo que facilita la sustitución. En el *Jev Decision Index*, Clef va a la cabeza; las tablas muestran ventajas claras (BFCL 98,47, BANKING77 94,20, CLINC150+OOS 97,43) y casos en los que Jev o una variante se mantienen por delante (When2Call, BRIGHT, PhishNChips). En las evaluaciones de flujos de trabajo de TypeSafe, Clef supera a Jev en tres de cuatro. Latencia mediana: 209,3 ms para Clef, 38,8 ms para Clef-flash, 524,1 ms para Jev; el alojamiento en la red de GPU en el borde reduce la latencia de red. Clef puede así situarse en la ruta crítica de un agente, antes de un LLM encargado de actuar.

Entrenamiento: el proyecto partió de una adaptación de DiffusionGemma que expone los logprobs, a partir del trabajo de Matt Mastracci. Clef utiliza un Qwen3.8-27B congelado (Clef-flash: Qwen3.5-9B) para un paso solo de prefill, y luego puntúa en paralelo las opciones válidas del esquema, sin generación de texto. Una cabeza de enrutamiento de atención en dos etapas y adaptadores de rango 256 se entrenan con entropía cruzada con suavizado de etiquetas y una pérdida de Brier para la calibración, y después con **RLCD**, que otorga crédito parcial a las opciones ordinales adyacentes.

El servicio de ajuste fino se dirige inicialmente a clientes atendidos por ingenieros desplegados en campo (forward-deployed engineers), con una versión de autoservicio prevista más adelante. Se basa en AI Gateway (dataset), Workers AI (rollouts), Containers (sandbox de puntuación), un nuevo *Trainer* (actualización de pesos) y el despliegue de modelos aportados por el cliente. Cloudflare ve en ello una forma de especializar Clef (moderación, triaje de soporte, bots) aprovechando sus quince años de datos etiquetados, y de encarnar su "agente en la nube".

## 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/es/fiches/chen-reneau-flansburg-clef-decision-models-2026-10-01/