Clef-Flashが公開。Qwen3.5-9Bを基にしたマルチモーダル意思決定モデルで、テキスト・JSON・画像・動画を入力に受け取り、各質問の選択肢ごとに確率を返す。
この記事のポイント
- 9Bパラメータのマルチモーダルモデル
- 単一フォワードパスで全質問の確率を出力
- H200単体で動作、最大16,384トークン
数字で見る
この記事に出てくる数字
| モデル規模 | 9B |
|---|---|
| 最大トークン数 | 16,384 |
| テスト環境 | torch 2.11 |
どこで使えるか
選択肢付き質問に確率を返したい人向け。画像動画も入力可能で、出力パース不要。 Hugging Faceで公開済み transformers 5.10.2以上が必要
スポンサーリンク
解説
かみくだいて説明します
Cloudflare が 2026-10-01 に、9B のマルチモーダルモデル Clef-Flash を公開しました。入力の状態をテキストやJSON、画像、動画のいずれかで受け取り、設問の選択肢ごとに確率を 1 回の推論で返します。自由文章の生成はなく、出力の整形も不要です。
1 回の処理で全部の選択肢の確率が出るんですか? 開発者が組み込む立場だと、いままでの生成モデルとどこが違いますか。
はい、1 回の推論で完結します。従来のモデルが答えを 1 文字ずつ生成して、そのあとプログラムで形を整えていたのに対し、Clef-Flash は設問の型に合わせて最初から確率だけを出力します。工場のベルトコンベアで部品を箱詰めするイメージに近いです。
型が決まっているから、出力の整形が要らないんですね。画像や動画も混ざって処理できるんですか。
テキストと画像、動画のレコードを同じバッチで混ぜて処理できます。API は Jev と SystemOne の形式に完全に互換で、SystemOne の場合は選択肢の確率に加えて信頼度や凡例、真偽の確率も返します。
SystemOne の形式でそのまま使えるのは開発者にとって大きいですね。では、推論に必要な環境はどうなっていますか。
単体の H200 で動作し、PyTorch 2.11 と transformers 5.10.2 で動作確認をしています。画像や動画を使う場合は pillow が必要です。入力の最大トークン数はデフォルトで 16,384 です。
16,384 トークンが上限なんですね。ベンチマークの結果は、パーセントとミリ秒の 2 軸で見るんですね。
内部で Decision Index 0.2.1 のスイートで測った結果です。スコアはパーセントで示し、ForecastBench はブリヤースコアで予想と実際のずれを百分率で表し、低いほど当たりに近い値です。リクエストの遅延はミリ秒単位で、下 2 行にまとめてあります。
ブリヤースコアがまだ掴めません。もう少しやさしく言うとどうなりますか。使っている側からすると、遅延と精度のどちらを優先するんですか。
予想と実際のずれを小さい数値で表す指標です。天気予報の的中率に近い考え方ですが、数値が 0 に近いほど正確な予想と見なします。使っている側からは、遅延が許容範囲なら精度を優先する形になります。
遅延と精度を同時に確認する設計なんですね。では、より大きなモデルのほうはどうなっていますか。
より大きなモデルとして Clef があり、Clef-Flash は Qwen3.5-9B をベースにファインチューニングしています。Clef 側の詳細や、ほかのベンチマークでの比較データについては、そこはまだ分かっていません。
最後に、リリースから間もないですが、開発者の組み込み事例が早く出そうですか。
開発者のベンチマーク結果では、Clef-FlashはDecision Index 0.2.1で高いスコアを達成しています。
出典
この記事のもとになった情報
- Hugging Face:Cloudflare/clef-flash
- 公開日:2026-10-01
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。