不给大模型“发电”了：Cloudflare 开源决策模型 Clef，专治 Agent 里的选择题

一个客服工单进来，是紧急还是普通？该转给哪个团队？这种问题，用动辄几百亿参数的大模型来回答，其实是一种浪费——你要的只是一个带概率的标签，它却给你生成了一整段散文。Cloudflare 最新开源的决策模型 Clef，就是冲着这种“杀鸡用牛刀”而来。

一分钟速览

• Cloudflare 发布自家训练的决策模型 Clef 与 Clef-flash，托管在 Workers AI 上。
• 在 Jev Decision Index 评测中，Clef 目前排名第一。
• 模型在 Hugging Face 以 Apache 2.0 协议完全开源，可本地运行。
• 同时推出新的强化学习（RL）产品，允许客户对 Clef 做微调。
• 实测中，Clef 抓取、渲染并分类一个网站仅需 2.2 秒，而通用模型需 4.7 秒。

什么是“决策模型”

决策模型的核心，是快速、便宜、稳定地输出“有边界的结构化结果”。比如你给它一条客服消息，它能告诉你“是否紧急”“该归哪个团队”，并以带概率的标签形式返回，你的代码据此路由工单、触发升级，或者转人工。它不需要你为每个新类别重新训练模型，就能适配任意输入的集合。

这刚好补上了大模型的一个盲区：LLM 擅长开放式推理和生成，但不确定性高；而在很多 Agent 流程里，真正需要的只是一次干脆的判定。

数据支撑：2.2 秒 vs 4.7 秒

Cloudflare 在自家的威胁情报团队上做了实测。给定一个域名，配合 Browser Run，Clef 能快速判断它属于哪些类别，比如“95% 概率是时尚网站、85% 电商、低于 1% 钓鱼”。完成抓取、渲染、分类这一整套流程，Clef 只用了 2.2 秒；而在同一工作流里，他们最快的通用模型 gpt-oss-120b 花了 4.7 秒，且只返回了两个分类。

两倍的延迟差距、更丰富的分类结果，意味着在需要快速、程序化决策的场景里，这类模型能实打实地提升 Agent 的自主性。

命名与开源

Cloudflare 解释，“Clef”在乐理中是写在五线谱开头的谱号，用来为线谱上的位置指定具体音高。决策模型之于 Agent 也是如此：它定义上下文的边界，以及接下来该走哪个音符。名字里既藏着巧思，也宣示了定位。更重要的是，模型在 Hugging Face 上以 Apache 2.0 开源，开发者可以下载到本地实验。

趋势洞察：Agent 栈正在“分层”

过去一年，行业习惯用一种大模型包打天下。随着 Agent 走向生产，栈开始分层：大模型负责开放推理，小决策模型负责高频、确定性的判断，二者各司其职。Cloudflare 把“决策模型 + RL 微调平台”打包推出，本质上是在抢 Agent 中间层的位置——那个既非纯模型、也非纯业务的“决策层”。

参考链接

• Cloudflare Blog：Introducing Clef
• Hugging Face 模型主页（见博客内链接）