Cloudflare เปิดตัว Clef และ Clef-flash โมเดิร์นเดซิชันโมเดล
Cloudflare เปิดตัว Clef และ Clef-flash สองเดซิชันโมเดลแบบ open-weight บน Workers AI พร้อมให้นักพัฒนาใช้งานจริงหรือโฮสต์เองผ่าน Hugging Face
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Cloudflare เปิดตัว Clef และ Clef-flash สองเดซิชันโมเดลรูปแบบ open-weight
- โมเดลถูกพัฒนาต่อยอดจาก Qwen3.8-27B และ Qwen3.5-9B โดยคงวิชันเอนโคเดอร์ไว้
- รองรับการทำงานผ่าน Workers AI, REST API และ AI Gateway ทันที
- ทำคะแนนสูงสุดใน 7 จาก 10 เกณฑ์มาตรฐานของ Decision Index 0.2.1
Cloudflare ได้ประกาศเปิดตัวโมเดลปัญญาประดิษฐ์รุ่นใหม่ล่าสุดสองตัว ได้แก่ Clef และ Clef-flash ซึ่งเป็น open-weight decision models ที่ออกแบบมาเพื่อตอบคำถามชุดข้อมูลเฉพาะตัวแทนที่จะสร้างข้อความโทเค็นทีละตัวแบบ LLM ทั่วไป โดยโมเดลทั้งสองรุ่นนี้พร้อมใช้งานแล้วบนแพลตฟอร์ม Workers AI และเปิดให้นักพัฒนานำน้ำหนักโมเดลไปโฮสต์เองได้ผ่านทาง Hugging Face
โมเดลประเภท decision model จะแตกต่างจาก LLM ตรงที่จะตอบคำถามชุดหนึ่งที่กำหนดไว้ล่วงหน้าเท่านั้น โดยในส่วนของ Clef นั้นรองรับคำถามถึง 3 ประเภท และในหนึ่งคำขอผ่าน Workers AI สามารถส่งคำถามได้สูงสุด 64 ข้อ พร้อมรูปภาพประกอบได้สูงสุด 4 รูป
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ในด้านสถาปัตยกรรมภายใน โมเดล Clef ถูกพัฒนาต่อยอด (post-trained) มาจาก Qwen3.8-27B ส่วน Clef-flash พัฒนามาจาก Qwen3.5-9B ซึ่งทั้งคู่ยังคงรักษาตัวเข้ารหัสวิชัน (vision encoder) ของแบ็คโบนเดิมเอาไว้ กระบวนการ inference จะแบ่งออกเป็น 2 ขั้นตอนหลัก ได้แก่:
- แบ็คโบนจะรันรอบ prefill-only เพียงครั้งเดียวผ่านสถานะและคำถาม
- ทรานสฟอร์มเมอร์ขนาดเล็กหรือ joint schema head จะทำหน้าที่อ่านฮิดเดนสเตทสุดท้ายเพื่อกระจายหลักฐานไปยังแต่ละคำถาม
สำหรับการฝึกฝนโมเดล ทีมงานได้ทำการล็อกน้ำหนักแบ็คโบนทั้งสองตัวและปรับแต่งส่วน routing head ร่วมกันผ่านอะแดปเตอร์ low-rank ขนาด rank-256 พร้อมทั้งใช้ฟังก์ชันสูญเสียที่ผสมผสาน label-smoothed cross-entropy เข้ากับ Brier loss รวมถึงใช้วิธีเสริมแรงที่เรียกว่า Reinforcement Learning for Calibrated Decisions (RLCD) เพื่อให้คะแนนเครดิตบางส่วนแก่ตัวเลือกตามลำดับที่ใกล้เคียงกัน
การที่ Cloudflare เลือกพัฒนาเดซิชันโมเดลที่ให้ผลลัพธ์เป็นความน่าจะเป็นแบบระบุชนิด (typed probabilities) แทนการพ่นข้อความยาวๆ ถือเป็นก้าวสำคัญในการลดขั้นตอนการแปลงข้อมูล (parsing) ที่มักสร้างภาระให้กับระบบอัตโนมัติ การนำโมเดลเหล่านี้มาผนวกเข้ากับ Workers AI สะท้อนให้เห็นความพยายามในการเจาะตลาดนักพัฒนาที่ต้องการความแม่นยำสูงและรวดเร็วในงานเฉพาะทาง เช่น การประมวลผลใบแจ้งหนี้หรือการวิเคราะห์ภัยคุกคามด้านความปลอดภัย ซึ่งช่วยลดความซับซ้อนในการเขียนโค้ดจัดการผลลัพธ์จาก AI แบบเดิมๆ ได้อย่างมีประสิทธิภาพ
ในแง่ของผลการทดสอบบนชุดเกณฑ์มาตรฐาน Decision Index 0.2.1 ของ Cloudflare โมเดล Clef สามารถทำคะแนนสูงสุดได้ใน 7 จาก 10 หมวดหมู่ อย่างไรก็ตาม โมเดลคู่แข่งอย่าง Jev จาก TypeSafe AI ที่เปิดตัวไปเมื่อวันที่ 15 กันยายน 2026 ยังคงมีคะแนนนำในด้านอื่นๆ เช่น GPQA Diamond (78.3 ต่อ 48.0), MMLU-Pro (82.7 ต่อ 65.9) และ BBH (92.9 ต่อ 73.7) แต่ในส่วนของการประเมินเวิร์กโฟลว์ของ TypeSafe เอง Clef สามารถทำคะแนนเหนือกว่า Jev เล็กน้อยในด้านการประมวลผลใบแจ้งหนี้ (64.7 ต่อ 61.8) และการบริการลูกค้า (76.3 ต่อ 76.0)
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น