Cloudflare 推出开放权重决策模型 Clef-omni，支持音频视频输入

Cloudflare 发布了一款新的开放权重决策模型，叫 Clef-omni。它最大的变化是，一次 API 调用就能处理文本、图像、音频和视频，不用再分别对接多个模型。

这个模型是在此前 Clef 系列的基础上做的多模态升级。之前的 Clef 支持文本、图像，以及把视频按时间抽成一张张静态图再输入；而 Clef-omni 直接支持音频和完整视频，wav、mp3、mp4、webm 这些格式都能处理。

对开发者来说，好处很实在：不用再自己搭语音转写、音视频拆分那一套流程，一个模型就能搞定多种输入。

技术上，Clef-omni 基于 Qwen3-Omni-30B-A3B-Instruct 构建，保留了主要理解能力，面向的是结构化决策任务，不生成普通文本输出。速度方面，纯文本请求的中位响应时间约 130 毫秒，图像约 150 毫秒，一段带声音的 21 秒视频约 1.5 秒就能完成评分。

价格也跟着降了。Clef-flash 每百万输入 Token 的价格从 0.09 美元降到 0.038 美元，降幅约 58%，不过托管版的上下文窗口也从 64k 缩到了 24k。