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

## Veille

Post di **Michelle Chen, Alex Reneau e Kevin Flansburg**, pubblicato il **1° ottobre 2026** sul blog di **Cloudflare** (~10 minuti di lettura, settimana "AI Birthday"). Cloudflare rilascia **Clef** e **Clef-flash**, i suoi primi modelli addestrati internamente, ospitati su **Workers AI** e distribuiti come open source (Apache 2.0, Hugging Face), insieme a un servizio di fine-tuning per 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, decision model, Cloudflare, Workers AI, Jev, Jev Decision Index, open source, Apache 2.0, fine-tuning, reinforcement learning, RLCD, Qwen, DiffusionGemma, logprobs, calibrazione, latenza, classificazione, AI Gateway, cloud agent

## Authors

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

## Ton

Post di lancio prodotto da parte di un team di ingegneria, con tono positivo e tecnico. L'apertura posiziona Clef rispetto al "clamore" attorno a Jev, poi alterna esempi concreti (classificazione dei domini da parte di Threat Intelligence, triage dei ticket di supporto), tabelle di benchmark e dettagli di addestramento (adapter di rango 256, loss di Brier). Il nome è spiegato attraverso un'analogia musicale (la chiave che fissa l'intervallo di note del pentagramma; "CF" per Cloudflare). Il testo parla del futuro della piattaforma: il servizio di fine-tuning parte con i forward-deployed engineer (FDE), la versione self-service arriverà in seguito, e Cloudflare è alla ricerca di clienti design-partner.

## Pense-betes

- **Definizione fornita nell'articolo**: un modello decisionale restituisce risposte tipizzate con probabilità; il codice instrada, escala o passa la mano a un umano. Framework: agenti che raccolgono contesto, decidono e agiscono, con un umano solo quando necessario.
- **Caso interno**: classificazione dei domini da parte del team Threat Intelligence con Browser Run: **2,2 s** per recuperare, renderizzare e classificare, contro 4,7 s per gpt-oss-120b, che restituiva solo due categorie.
- **Risultati selezionati** (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. Sui workflow di TypeSafe: fatturazione 64,7 contro 61,8, osservabilità delle tracce degli agenti 68,5 contro 71,6.
- **Addestramento**: base Qwen congelata (Qwen3.8-27B per Clef, Qwen3.5-9B per Clef-flash), testa di routing e adapter di rango 256, cross-entropy label-smoothing più loss di Brier, poi **RLCD** con credito parziale per le scelte ordinali vicine. L'approccio iniziale adattava DiffusionGemma esponendo i logprobs.
- **Servizio RL**: AI Gateway (dataset dal traffico), Workers AI (rollout), Containers (sandbox di scoring), *Trainer* (nuovo), Workers AI con un modello portato (Cog, ereditato da Replicate). I dati dei clienti non vengono letti né conservati, salvo che per il fine-tuning.
- ⚠️ **Avvertenze visibili nelle tabelle**: Clef-flash scende a 66,77 su CLINC150+OOS e Jev resta in vantaggio su When2Call, BRIGHT e PhishNChips (DiffusionGemma Jev a 85,35); Laya è più veloce ma sensibilmente meno accurato.

## RésuméDe400mots

Il **1° ottobre 2026**, **Michelle Chen, Alex Reneau e Kevin Flansburg** annunciano sul blog di **Cloudflare** due modelli decisionali, **Clef** e **Clef-flash**, ospitati su **Workers AI** e pubblicati su Hugging Face con licenza Apache 2.0, insieme a un prodotto di fine-tuning per reinforcement learning. Il post si apre a partire dal "clamore" attorno al modello **Jev** di TypeSafe: un modello decisionale prodotto in modo economico, rapido e che restituisce in modo coerente output strutturati e delimitati, pensato per essere inserito in un workflow quando è richiesta una decisione, in contrapposizione agli LLM, che restano in gran parte non deterministici e aperti.

Un modello decisionale riceve uno stato, ad esempio un messaggio di supporto, e risponde a domande tipizzate (urgenza, team, gravità) con delle probabilità, che il codice utilizza per instradare, escalare o passare la mano a un umano. In Cloudflare, Clef classifica i domini per il Threat Intelligence: 2,2 secondi per recuperare, renderizzare e classificare un sito, contro 4,7 secondi per gpt-oss-120b, che restituiva solo due categorie.

Clef si differenzia da Jev per un **vision encoder**, da cui la classificazione delle immagini, e per un contesto di **64k** contro 32k. L'API è compatibile con quella di Jev, il che rende la sostituzione immediata. Sul *Jev Decision Index*, Clef è in testa; le tabelle mostrano vantaggi netti (BFCL 98,47, BANKING77 94,20, CLINC150+OOS 97,43) e casi in cui Jev o una sua variante restano in vantaggio (When2Call, BRIGHT, PhishNChips). Sulle valutazioni di workflow di TypeSafe, Clef batte Jev in tre casi su quattro. Latenza mediana: 209,3 ms per Clef, 38,8 ms per Clef-flash, 524,1 ms per Jev; l'hosting sulla rete GPU edge riduce la latenza di rete. Clef può quindi collocarsi sul percorso critico di un agente, a monte di un LLM incaricato di agire.

Addestramento: il progetto è partito da un adattamento di DiffusionGemma che espone i logprobs, basandosi sul lavoro di Matt Mastracci. Clef utilizza un Qwen3.8-27B congelato (Clef-flash: Qwen3.5-9B) per un passaggio solo in prefill, poi assegna un punteggio alle scelte valide dello schema in parallelo, senza generazione di testo. Una testa di routing dell'attenzione a due stadi e degli adapter di rango 256 vengono addestrati con una cross-entropy label-smoothing e una loss di Brier per la calibrazione, poi con **RLCD**, che assegna un credito parziale alle scelte ordinali adiacenti.

Il servizio di fine-tuning si rivolge inizialmente ai clienti seguiti da forward-deployed engineer, con una versione self-service in arrivo. Si basa su AI Gateway (dataset), Workers AI (rollout), Containers (sandbox di scoring), un nuovo *Trainer* (aggiornamento dei pesi), e il deployment di modelli portati dal cliente. Cloudflare vede in questo un modo per specializzare Clef (moderazione, triage del supporto, bot) sfruttando i suoi quindici anni di dati etichettati, e per incarnare il proprio "cloud agent".

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