Cloudflare مدل‌های تصمیم‌گیری Clef و Clef-flash را معرفی کرد

مدل‌های تصمیم‌گیری Clef و Clef-flash از Cloudflare از دوم اکتبر ۲۰۲۶ برای عامل‌های هوش مصنوعی عرضه شده‌اند؛ مدل‌هایی که به‌جای تولید پاسخ‌های بلند، ورودی را دسته‌بندی می‌کنند و نتیجه را به‌صورت گزینه‌ها و احتمال‌ها برمی‌گردانند. Cloudflare می‌گوید این مدل‌ها می‌توانند تصمیم‌هایی مانند اولویت‌بندی درخواست پشتیبانی یا شناسایی وب‌سایت‌های مشکوک را سریع‌تر به نرم‌افزارهای دیگر بسپارند؛ رویکردی که به گفتهٔ شرکت، در برخی فرایندها نیاز به دخالت انسان را کاهش می‌دهد، اما آن را به‌کلی حذف نمی‌کند.

مدل‌های تصمیم‌گیری در میانهٔ مدل زبانی و دسته‌بند سنتی

یک مدل تصمیم‌گیری معمولاً قرار نیست مکالمه‌ای طولانی با کاربر داشته باشد. وظیفه‌اش این است که ورودی را بسنجد و پاسخی کوتاه، ساختاریافته و قابل‌استفاده برای برنامه‌های دیگر ارائه کند. برای نمونه، اگر پیام مشتری دربارهٔ یک مشکل به سامانه برسد، Clef می‌تواند فوریت آن را ارزیابی کند، تیم مناسب را پیشنهاد دهد و احتمال هر نتیجه را اعلام کند. سپس کدهای نرم‌افزاری می‌توانند تیکت را به بخش مربوط بفرستند، موضوع را برای رسیدگی فوری بالا ببرند یا آن را به نیروی انسانی ارجاع دهند.

این کاربرد میان دو رویکرد رایج قرار می‌گیرد. مدل‌های زبانی بزرگ توانایی استدلال و استفاده از ابزارها را دارند، اما پاسخ‌هایشان ممکن است متغیر باشد و تولید آن‌ها زمان ببرد. در سوی دیگر، دسته‌بندهای سنتی سریع‌اند، ولی برای شناسایی دسته‌های تازه ممکن است به آموزش دوباره نیاز داشته باشند. Cloudflare می‌گوید Clef برای پرکردن همین فاصله طراحی شده است: خروجی محدود و عملیاتی، همراه با توانایی کار با ورودی‌های زبانی.

در این ساختار، مدل لزوماً خودش اقدام نهایی را انجام نمی‌دهد. خروجی آن می‌تواند به یک سامانهٔ دیگر بگوید چه مسیری را دنبال کند. احتمال‌ها هم درجهٔ اطمینان مدل را نشان می‌دهند، نه تضمین درستی تصمیم. بنابراین، طراحی سامانه باید همچنان امکان بررسی انسانی یا ارجاع موارد مبهم را در نظر بگیرد.

Cloudflare چه می‌گوید دربارهٔ سرعت Clef-flash؟

Cloudflare می‌گوید در مجموعه‌ای شامل ۴۳ بنچمارک، هر دو مدل Clef و Clef-flash از رقبای مرتبط سریع‌تر بوده‌اند. طبق ارقام شرکت، میانهٔ تأخیر Clef-flash حدود ۳۹ میلی‌ثانیه و برای Clef حدود ۲۰۹ میلی‌ثانیه است؛ این زمان برای Jev، مدل تصمیم‌گیری شرکت TypeSafe AI، کمی بیش از ۵۲۴ میلی‌ثانیه گزارش شده است. این اعداد را خود Cloudflare منتشر کرده و به نتایج آزمون‌های مستقل اشاره‌ای نشده است.

شرکت می‌گوید اجرای مدل‌ها روی زیرساخت Cloudflare و نزدیکی آن‌ها به مراکز دادهٔ لبه‌ای نیز به پاسخ‌گویی سریع کمک می‌کند. مراکز دادهٔ لبه‌ای، سرورهایی هستند که در نقاط مختلف شبکه قرار دارند تا پردازش تا حد امکان نزدیک به محل درخواست انجام شود. اثر این شیوه در کاربردهایی که باید سریع به درخواست‌ها واکنش نشان دهند، از جمله مسیریابی پیام‌ها یا بررسی محتوای وب، می‌تواند اهمیت داشته باشد.

Cloudflare نمونه‌ای از کاربرد داخلی خود را نیز ارائه کرده است. تیم اطلاعات تهدید شرکت Clef را برای دسته‌بندی وب‌سایت‌ها آزمایش می‌کند. در یکی از نمونه‌ها، مدل احتمال تعلق یک دامنه به وب‌سایت مد را ۹۵ درصد و احتمال فروشگاه اینترنتی بودن آن را ۸۵ درصد ارزیابی کرده است؛ احتمال فیشینگ‌بودن سایت نیز کمتر از یک درصد بوده است. طبق اعلام شرکت، دریافت اطلاعات سایت، نمایش آن و دسته‌بندی‌اش در مجموع ۲٫۲ ثانیه طول کشیده است. مدل زبانی عمومی سریع‌تر Cloudflare همین فرایند را در ۴٫۷ ثانیه انجام داده و فقط دو دسته را برگردانده است.

این مقایسه را باید در چارچوب آزمون Cloudflare خواند و نه به‌عنوان تضمینی برای عملکرد یکسان در همهٔ محیط‌ها. سرعت واقعی می‌تواند به نوع ورودی و شیوهٔ استفاده وابسته باشد. با این حال، آزمایش نشان می‌دهد چرا شرکتی که شبکه و خدمات زیرساختی ارائه می‌کند، روی تصمیم‌های کوچک و سریع سرمایه‌گذاری می‌کند: چنین تصمیم‌هایی می‌توانند در مقیاس بالا مسیر درخواست‌ها را تعیین کنند.

پایهٔ Qwen و آموزش برای خروجی‌های احتمالاتی

به گفتهٔ Cloudflare، Clef بر پایهٔ Qwen3.8-27B و Clef-flash بر پایهٔ مدل کوچک‌تر Qwen3.5-9B ساخته شده‌اند. شرکت می‌گوید وزن‌های مدل‌های پایه را هنگام آموزش تغییر نداده و به‌جای آن، با داده‌های مصنوعی اختصاصی خود اجزای دیگری آموزش داده است. این اجزا از محاسبات داخلی مدل‌ها برای ساخت گزینه‌های پاسخ و برآورد احتمال آن‌ها استفاده می‌کنند.

دادهٔ مصنوعی، داده‌ای است که برای آموزش تولید می‌شود، نه این‌که مستقیماً از نمونه‌های واقعی گردآوری شده باشد. Cloudflare جزئیات کامل داده‌های خود را در متن اعلام‌شده شرح نداده است؛ اما گفته از گونه‌ای اختصاصی از روش «یادگیری تقویتی برای تصمیم‌های کالیبره‌شده» استفاده می‌کند. یادگیری تقویتی روشی برای بهبود رفتار مدل بر پایهٔ بازخورد و پاداش است. در این کاربرد، هدف آن است که احتمال‌هایی که مدل اعلام می‌کند تا حد ممکن با میزان درستی واقعی پاسخ‌ها سازگار باشند.

در روش RLCD، مدل برای پاسخ‌دادن به چند پرسش دربارهٔ یک ورودی در یک فراخوانی آموزش می‌بیند. این تفاوت با پاسخ آزاد مدل زبانی مهم است: اگر سامانه از پیش بداند چه گزینه‌هایی را می‌تواند انتخاب کند، می‌تواند نتیجه را در قالبی قابل‌پردازش به بخش‌های بعدی نرم‌افزار برساند. با این همه، محدودشدن پاسخ به فهرستی از گزینه‌ها مانع انتخاب اشتباه نمی‌شود؛ احتمال‌ها هم باید به‌عنوان برآورد مدل در نظر گرفته شوند.

Cloudflare پیش‌تر نیز برای استخراج مقادیر تصمیم‌گیری مشخص از محاسبات درونی یک مدل زبانی، DiffusionGemma را آزمایش کرده بود. این سابقه نشان می‌دهد عرضهٔ Clef بخشی از تلاش شرکت برای تبدیل توانایی مدل‌های زبانی به خروجی‌های عملیاتی‌تر است، هرچند جزئیات فنی و میزان برتری روش تازه را باید بر اساس داده‌های بیشتر سنجید.

تنظیم اختصاصی برای مشتریان و رقابت با Jev

هم‌زمان با معرفی Clef، Cloudflare از سرویسی برای تنظیم مدل‌ها با یادگیری تقویتی خبر داده است. سازمان‌ها می‌توانند آن‌ها را برای وظایف خود، مانند دسته‌بندی درخواست‌ها یا ارزیابی محتوا، سازگار کنند. در مرحلهٔ نخست، گروهی از مهندسان مستقر در کنار مشتریان در این فرایند کمک می‌کنند و Cloudflare گفته است که بعداً بستری خودکار و خودخدمت برای آن در نظر دارد.

طبق توضیح شرکت، مشتریان می‌توانند با ثبت درخواست‌ها از طریق AI Gateway مجموعه‌داده‌ای بسازند و آن درخواست‌ها را در محیط‌های کانتینری ارزیابی کنند. کانتینر محیطی جداشده برای اجرای نرم‌افزار است؛ در اینجا قرار است نقش فضای آزمایش و یادگیری تقویتی را داشته باشد. سپس مؤلفه‌ای تازه برای آموزش، مدل تنظیم‌شده را روی Workers AI مستقر می‌کند. Cloudflare برای اجرای مدل‌های سفارشی از فناوری Replicate استفاده می‌کند؛ شرکتی که به گفتهٔ متن منبع در اواخر ۲۰۲۵ خریداری شده است.

رقابت در این حوزه پیش از معرفی Clef آغاز شده بود. TypeSafe AI، شرکتی که Diogo Almeida، پژوهشگر پیشین OpenAI، آن را بنیان گذاشته، Jev را در میانهٔ سپتامبر معرفی کرد. Cloudflare رابط برنامه‌نویسی Clef را با Jev سازگار نگه می‌دارد تا مشتریان بتوانند میان آن‌ها جابه‌جا شوند. در عین حال، Clef برخلاف Jev می‌تواند تصویر را نیز پردازش کند و پنجرهٔ زمینهٔ آن ۶۴ هزار توکن است؛ یعنی می‌تواند حجم بیشتری از ورودی را در یک نوبت در نظر بگیرد. Cloudflare می‌گوید این ظرفیت دو برابر Jev است و Clef در شاخص Jev Decision Index نیز در بنچمارک‌های خود شرکت عملکرد بهتری داشته است.

در اواخر سپتامبر، OpenAI نیز Decisions API را معرفی کرد که بر پایهٔ GPT-6 Luna ساخته شده و متن یا تصویر را به‌عنوان زمینه می‌پذیرد. این تحولات نشان می‌دهد ابزارهای تصمیم‌گیری ساختاریافته به حوزه‌ای رقابتی تبدیل شده‌اند. ادعای TypeSafe دربارهٔ مدلی «بدون توهم» نیز نیازمند دقت است: این‌که مدل فقط از میان گزینه‌های تعریف‌شده انتخاب کند، مانع انتخاب گزینهٔ نادرست نمی‌شود.

Cloudflare می‌گوید قصد دارد از Clef در داخل شرکت برای بررسی گزارش‌های سوءاستفاده، مرتب‌کردن درخواست‌های پشتیبانی و تشخیص ربات‌های سودمند از ربات‌های زیان‌بار استفاده کند. هر دو مدل روی Workers AI اجرا می‌شوند و با مجوز Apache-2.0 در Hugging Face در دسترس قرار گرفته‌اند. برای شرکت‌هایی که فرایندهای پرتعداد دارند، ترکیب سرعت، امکان تنظیم و خروجی قابل‌استفاده در کد ممکن است جذاب باشد؛ اما کیفیت تصمیم‌ها، کالیبراسیون احتمال‌ها و نحوهٔ رسیدگی به خطا همچنان از معیارهای اصلی ارزیابی خواهند بود.

این خبر برای چه کسانی اهمیت دارد

معرفی Clef برای توسعه‌دهندگان عامل‌های هوش مصنوعی و تیم‌هایی اهمیت دارد که می‌خواهند تصمیم‌های مدل را مستقیماً به گردش‌کارهای نرم‌افزاری وصل کنند. شرکت‌هایی که درخواست‌های پشتیبانی، گزارش‌های سوءاستفاده یا حجم زیادی از محتوای وب را بررسی می‌کنند، می‌توانند امکان دسته‌بندی سریع‌تر و تنظیم اختصاصی را ارزیابی کنند. با این حال، برای کاربردهایی که خطای تصمیم پیامد جدی دارد، ارقام بنچمارک به‌تنهایی کافی نیستند: سازمان‌ها باید عملکرد مدل را روی داده‌های خود بسنجند و مسیر ارجاع به انسان را برای موارد نامطمئن حفظ کنند.