Cloudflare 于 10 月 9 日发布公告，正式推出开放权重决策模型 Clef-omni。该模型在 Clef 系列基础上扩展了多模态输入能力，支持通过单次 API 调用处理文本、图像、音频和视频，模型权重已在 Hugging Face 平台开放。

与此前 Clef 仅支持文本、图像及从视频中抽取连续画面的方式不同，Clef-omni 新增了对音频和完整视频输入的支持，兼容 wav、mp3、mp4 和 webm 格式。Cloudflare 表示，开发者无需再单独搭建语音转写或音视频拆分流程，即可用单一模型处理多种输入类型。

技术层面，Clef-omni 基于 Qwen3-Omni-30B-A3B-Instruct 构建，并保留了其主要理解能力。模型定位为结构化决策任务，不生成常规文本输出。根据 Cloudflare 公布的测试数据，纯文本请求的中位响应时间约为 130 毫秒，图像请求约为 150 毫秒；一段带声音的 21 秒视频约 1.5 秒完成评分。

在基准测试中，Clef-omni 在 BFCL 精确匹配率上达到 98.2，ToolRet nDCG@10 为 66.6，API-Bank 准确率为 92.7。相比 Clef 和 Clef-flash，Clef-omni 在部分指标上有所提升，同时保持了较低的响应延迟。该模型的推出进一步降低了开发者处理多模态决策任务的门槛。