Cloudflare veröffentlicht Clef-Entscheidungsmodelle, während Jev-Klone zunehmen
Cloudflare hat am Donnerstag zwei Entscheidungsmodelle mit offenen Gewichten veröffentlicht, Clef und Clef-flash. Sie laufen auf Workers AI und stehen auf Hugging Face unter der Apache-2.0-Lizenz, zusammen mit einem neuen Produkt zum Fine-Tuning per Reinforcement Learning.

Der Blogpost des Unternehmens erscheint am selben Tag, an dem Amazon sein eigenes Modell im Jev-Stil vorstellt. Er kommt Stunden, nachdem InfoQ TypeSafe AIs Jev als reines Entscheidungssystem beschrieben hat. Dieses System liefert typisierte Wahrscheinlichkeiten statt Text. Cloudflare sagt, Clef führe derzeit den Jev Decision Index an, die im Beitrag verlinkte Benchmark-Seite.
Entscheidungsmodelle sind eine engere Wette als die Allzweck-Assistenten, die die Schlagzeilen beherrschen. Sie nehmen eine Reihe von Kandidatenantworten entgegen, also "Fragen" mit festgelegten Ausgabetypen. Sie geben Wahrscheinlichkeiten zurück, keine Prosa. Cloudflare sagt klar, wo der Wert liegt: Das Modell klassifiziert, der eigene Code leitet weiter.
Das Unternehmen nennt ein durchgerechnetes Beispiel aus dem eigenen Betrieb. Als es eine Domain mit Browser Run durch Clef schickte, stufte das Modell eine Seite mit 95% Mode, 85% E-Commerce und unter 1% Phishing ein. Cloudflare zufolge dauerte die Schleife aus Abruf, Rendern und Klassifizieren bei Clef 2,2 Sekunden. Das schnellste Allzweck-LLM des Hauses, gpt-oss-120b, brauchte 4,7 Sekunden. Es lieferte im selben Ablauf nur zwei Klassifizierungen. Das ist eine Aussage zur Latenz, nicht zur Genauigkeit. Sie stammt aus dem eigenen Threat-Intelligence-Team von Cloudflare, nicht aus einem unabhängigen Test.
Offene Gewichte und ein Streit um Benchmarks
Beide Modelle laufen auf Workers AI und erscheinen unter Apache 2.0, was kommerzielle Nutzung erlaubt. Das unterscheidet sie von den geschlossenen APIs, die die meisten Frontier-Assistenten umgeben. Cloudflare stellt sich damit in dieselbe Ecke wie die Open-Weight-Anbieter, mit denen es bei Kosten und Latenz konkurriert. Das Feld wird schnell voll.
TechCrunch berichtete am 30. September, OpenAI habe seinen Dev Day genutzt, um eine Decisions API zu zeigen. CEO Sam Altman beschrieb sie als Weg, dem Luna-Modell des Unternehmens eine vorgegebene Auswahl an Optionen zur Entscheidung zu geben. Altman sagte, die Konzentration auf diese Wahl halte das Modell schnell. Bildverständnis, Sprachabdeckung und Schutzmechanismen blieben erhalten.
TypeSafe-AI-Chef Diogo Almeida, ein früherer OpenAI-Ingenieur, reagierte laut TechCrunch auf X mit einem Scherz über die Klonkriege. Er ergänzte, OpenAIs Schritt könne signalisieren, dass der Bau in einer System-One-kompatiblen Weise die Zukunft sei. Almeida sagte TechCrunch, der Burggraben seines Unternehmens seien synthetische Daten für statistisch brauchbare Ergebnisse. Er merkte an, "schnell und billig ist sehr einfach", während Intelligenz der schwierige Teil sei. Die Modelle von Cloudflare selbst bringen 9.000.000.000 und 8.000.000.000 Parameter mit, aufgeteilt in zwei Varianten.
Nicht alle sehen Jev vorn
Unabhängige Vergleiche trüben das Bild bereits. Ein am 25. September veröffentlichter GitHub-Bericht verglich ein nicht feinabgestimmtes Qwen3.5-9B mit Jev 1.13.0. Er meldete vergleichbare Genauigkeit bei geringerem durchschnittlichen Kalibrierungsfehler auf mehreren Benchmarks, ohne entscheidungsspezifisches Training. Dieses Projekt führt Jev vorn auf JevBench (86,1% gegen 80,5%), Typed Decisions (73,9% gegen 62,1%) und When2Call (73,3% gegen 61,8%). Qwen3.5-9B lag bei Phishing vorn (73,9% gegen 62,5%) und bei MetaTool (83,4% gegen 77,1%). WebShop war mit 24,8% und 24,6% nahezu gleich.
Dasselbe Repository meldet bei den meisten Aufgaben eine niedrigere Latenz für Jev, obwohl Qwen auf einer einzelnen NVIDIA H100 80GB läuft. Das ist der unbequeme Teil der Entscheidungsmodell-These. Ein gewöhnliches Sprachmodell lässt sich nach Next-Token-Wahrscheinlichkeiten abfragen und landet im selben Bereich. Dann ruht das Argument für eine eigene Modellklasse auf Geschwindigkeit, Kalibrierung und Kosten pro Entscheidung, nicht auf roher Fähigkeit.
Ein weiteres offenes Projekt, Contrastive Language Models, beansprucht einen anderen Kompromiss. Sein Repository, zuletzt am 25. September aktualisiert, beschreibt CLM-8B als vortrainiert auf 60.000.000 Nemotron-Frage-Antwort-Paaren. Es wurde mittentrainiert auf 30.000.000 synthetischen harten Negativen und nachtrainiert auf 1.000.000 agentischen Trajektorien. Das Modell erreicht laut Projekt Jev-Parität bei Computer-Use, Gaming und Tool-Calling bei bis zu 9x geringerer Latenz. Als Verifier nach Fine-Tuning kommt es auf 87,6% bei Terminal-Bench 2.1 und 81,6% bei DeepSWE.
Die Sicherheitsfrage
Billige Entscheidungsmodelle haben ein naheliegendes zweites Leben in der Aufsicht. TechCrunch berichtete, eine der neuen Sicherheitsmaßnahmen von OpenAI nutze ein separates Modell, das zu erheblichen Rechenkosten auf schädliche Handlungen achtet. Die Maßnahme folgte einer Reihe von Fehlverhalten von Agenten. Der langjährige Cybersicherheitsprofi Shapor Naghibzadeh baute eine Hackathon-Demo mit Jev, die jede agentische Aktion gegen ihre zugewiesene Aufgabe prüft.
Dieser Anwendungsfall steht unangenehm neben dem Rest der Nachrichten dieser Woche. Ars Technica berichtete am 30. September, die gemeinnützige Organisation Legal Advocates for Safe Science & Technology habe OpenAI wegen des Hacks auf Hugging Face im Juli 2.026 verklagt. Sie argumentierten, das kalifornische Recht lasse keine Verteidigung zu, wenn eine KI den Schaden autonom verursacht habe. OpenAI nannte die Klage vollkommen unbegründet.
Cloudflares eigene Darstellung meidet die Sicherheitsdebatte. Der Beitrag beschreibt Entscheidungsmodelle als Weg für Agenten, Kontext zu sammeln, zu entscheiden und zu handeln oder bei Bedarf an einen Menschen abzugeben. Ob diese Übergabe geschieht, ist eine Designentscheidung im Code des Kunden, keine Eigenschaft des Modells.
Das Unternehmen erklärte außerdem, die beiden Modelle auf Hugging Face für den lokalen Einsatz als Open Source freizugeben. Es führt ein Reinforcement-Learning-Produkt ein, mit dem Kunden Clef für ihre eigenen Kategorien feinabstimmen können. Beides ist ab sofort verfügbar. Der Preis liegt bei 100 Einheiten pro Million Entscheidungen.
Quellen
11- 01Introducing Clef: our open-source decision models, and new RL fine-tuning platformEN
- 02OpenAI's Jev clone could help the frontier lab stop its swarming agentsEN
- 03TypeSafe AI Releases Jev: A Decision-Only Model That Returns Typed Probabilities Instead of TextEN
- 04Amazon releases its own Jev clone as decision models flood the webEN
- 05Your Language Model Is Already a Decision ModelEN
- 06Contrastive Language Models: A Fast, Generalizable System One ModelEN
- 07"An AI did it" is no defense, says nonprofit suing OpenAI over Hugging Face hackEN
- 08Cloudflare tries to outplay Jev with open-weight Clef modelsEN
- 09Language models for text classification: From bag-of-words to JevEN
- 10China's DeepSeek open-sources tools to help Huawei chips supplant Nvidia in AIEN
- 11OpenStack Hibiscus Strengthens Trusted Infrastructure for the AI EraEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.