‏Clef-omni کلادفلر؛ صدا و ویدیو هم قبول می‌کنه

کلادفلر هفتهٔ پیش مدل‌های تصمیم‌گیر open-weight به اسم Clef و Clef-flash رو معرفی کرد. decision model یعنی مدلی که متن تولید نمی‌کنه و فقط بین گزینه‌های مشخص با یه امتیاز اطمینان انتخاب می‌کنه. حالا سه خبر جدید داده: مدل چندرسانه‌ای Clef-omni، قیمت کمتر برای Clef-flash، و سرعت بیشتر برای Clef. به گفتهٔ تیم، کل داستان Clef تو کمتر از یه هفته ساخته شده.

Clef-omni علاوه بر متن و تصویر، صدا (wav یا mp3) و ویدیو (mp4 یا webm) هم می‌گیره. یعنی دیگه لازم نیست اول صدا رو به متن تبدیل کنید یا صدا و تصویر ویدیو رو جدا کنید و بعد بدید به یه مدل دیگه. پایه‌ش Qwen3-Omni-30B-A3B-Instruct ه که یه مدل MoE (یعنی چند زیرشبکهٔ تخصصی که برای هر ورودی فقط بعضی‌هاشون فعال می‌شن) هست. کلادفلر بخش تولید گفتار رو حذف کرده و فقط بخش فهم رو نگه داشته.

چون مدل توکن خروجی تولید نمی‌کنه، فقط یه prefill (یعنی یه بار خوندن کل ورودی) روی همهٔ داده‌ها انجام می‌ده و همهٔ گزینه‌ها رو همزمان امتیاز می‌ده. نتیجه‌ش سرعته: تصمیم متنی حدود 130 میلی‌ثانیه، تصویر حدود 150 میلی‌ثانیه و یه ویدیوی 21 ثانیه‌ای با صدا حدود 1.5 ثانیه طول می‌کشه. آموزشش هم مثل Clef بوده، یعنی بک‌بون Qwen3 فریز شده و فقط LoRA آموزش دیده. تو بنچمارک‌ها روی BANKING77 و CLINC150 بهترین نتیجه رو گرفته، ولی روی When2Call هنوز از Jev عقب‌تره.

قیمت‌ها هم عوض شده. Clef-flash از 0.09 به 0.038 دلار برای هر میلیون توکن ورودی رسیده و حالا از Jev ارزون‌تره. Clef همون 0.24 دلار مونده و Clef-omni با 0.15 دلار عرضه شده. هزینهٔ این ارزونی اینه که context window نسخهٔ میزبانی شدهٔ Clef-flash از 64k به 24k کم شده. کلادفلر می‌گه فقط 0.24 درصد درخواست‌ها بیشتر از 24k توکن بودن، و وزن‌های روی Hugging Face دست نخوردن و تا 256k رو پشتیبانی می‌کنن.

Clef هم بدون عوض شدن وزن‌ها سریع‌تر شده، چون تغییرات تو لایهٔ سرو بوده. مهم‌ترینش رفتن به SGLang بوده که پشتیبانی Clef تو نسخهٔ 0.5.22ش میاد. مثلاً برای ورودی حدود 3,400 توکنی، میانهٔ زمان پاسخ از 616 به 305 میلی‌ثانیه رسیده. Clef با API Jev سازگاره، پس برای امتحانش کافیه model ID رو عوض کنید.

تیم‌های داخلی کلادفلر الان از Clef برای بستن issueهای اسپم تو مخزن مستندات GitHub، پیدا کردن فیشینگ تو پلاگین‌های EmDash، اسکن اطلاعات شخصی و تشخیص دامنه‌های مخرب استفاده می‌کنن.

نکات کلیدی:

• Clef-omni صدا و ویدیو رو در کنار متن و تصویر تو یه درخواست قبول می‌کنه.
• قیمت Clef-flash از 0.09 به 0.038 دلار برای هر میلیون توکن ورودی رسیده.
• context window نسخهٔ میزبانی شدهٔ Clef-flash از 64k به 24k کم شده.
• Clef با رفتن به SGLang بین 1.7 تا 2 برابر سریع‌تر شده.
• Clef-omni روی Qwen3-Omni-30B-A3B ساخته شده و قیمتش 0.15 دلار برای هر میلیون توکنه.