Cloudflare ouvre ses modèles de décision Clef, les clones de Jev se multiplient
Cloudflare a publié jeudi deux modèles de décision à poids ouverts, Clef et Clef-flash. Ils sont hébergés sur Workers AI et publiés sur Hugging Face sous licence Apache 2.0, en même temps qu'un nouveau produit d'affinage par apprentissage par renforcement.

Le billet de blog de l'entreprise paraît le jour même où Amazon a présenté son propre modèle de type Jev. Il arrive quelques heures après qu'InfoQ a décrit Jev, de TypeSafe AI, comme un système uniquement dédié à la décision. Ce système renvoie des probabilités typées au lieu de texte. Cloudflare affirme que Clef mène actuellement le Jev Decision Index, le site de référence cité dans le billet.
Les modèles de décision sont un pari plus étroit que les assistants généralistes qui font les gros titres. Ils reçoivent un ensemble de réponses candidates, ou « questions » aux types de sortie définis. Ils renvoient des probabilités, pas de la prose. Cloudflare dit clairement où se situe la valeur : le modèle classe, votre code aiguille.
L'entreprise donne un exemple tiré de ses propres opérations. En faisant passer un domaine dans Clef avec Browser Run, elle a classé un site à 95 % mode, 85 % commerce en ligne et moins de 1 % hameçonnage. Cloudflare indique que la boucle de récupération, de rendu et de classification a pris 2,2 secondes avec Clef. Son grand modèle de langage le plus rapide, gpt-oss-120b, a mis 4,7 secondes. Il n'a renvoyé que deux classifications dans le même flux de travail. C'est une affirmation sur la latence, pas sur la précision. Elle vient de l'équipe Threat Intelligence de Cloudflare, pas d'un test indépendant.
Poids ouverts, et bataille de références
Les deux modèles sont hébergés sur Workers AI et publiés sous Apache 2.0, ce qui autorise l'usage commercial. Cela diffère des API fermées qui entourent la plupart des assistants de pointe. Cloudflare se retrouve ainsi dans le même camp que les partisans des poids ouverts qu'il concurrence sur le coût et la latence. Le terrain concurrentiel se remplit vite.
TechCrunch a rapporté le 30 septembre qu'OpenAI avait profité de son Dev Day pour montrer une API Decisions. Le PDG Sam Altman l'a présentée comme un moyen de donner à son modèle Luna un ensemble prédéfini d'options entre lesquelles choisir. Altman a dit que concentrer le modèle sur ce choix le garde rapide. Il a ajouté qu'il conserve la compréhension des images, la couverture linguistique et les protections de sécurité.
Diogo Almeida, PDG de TypeSafe AI et ancien ingénieur d'OpenAI, a réagi sur X par une plaisanterie sur la guerre des clones, rapporte TechCrunch. Il a ajouté que le geste d'OpenAI pourrait signifier que construire de façon compatible avec un System One est l'avenir. Almeida a déclaré à TechCrunch que la barrière de son entreprise réside dans les données synthétiques produites pour des sorties statistiquement utiles. Il a noté que « rapide et bon marché est très facile » alors que l'intelligence est la partie difficile.
Ils ne sont pas tous d'accord pour dire que Jev est devant
Des comparaisons indépendantes brouillent déjà le tableau. Un texte publié sur GitHub le 25 septembre comparait un Qwen3.5-9B non affiné à Jev 1.13.0. Il fait état d'une précision comparable avec une erreur de calibration moyenne plus faible sur plusieurs références, sans entraînement spécifique à la décision. Ce projet rapporte Jev en tête sur JevBench (86,1 % contre 80,5 %), Typed Decisions (73,9 % contre 62,1 %) et When2Call (73,3 % contre 61,8 %). Qwen3.5-9B mène sur l'hameçonnage (73,9 % contre 62,5 %) et MetaTool (83,4 % contre 77,1 %). WebShop est presque identique, à 24,8 % et 24,6 %.
Le même dépôt rapporte une latence en faveur de Jev sur la plupart des tâches, malgré l'exécution de Qwen sur un seul NVIDIA H100 80GB. C'est le point gênant de l'argumentaire des modèles de décision. On peut interroger un modèle de langage standard sur les probabilités du jeton suivant et tomber dans la même plage. Si c'est le cas, l'intérêt d'une classe de modèles séparée repose sur la vitesse, la calibration et le coût par décision, pas sur la capacité brute.
Un autre projet ouvert, Contrastive Language Models, revendique un compromis différent. Son dépôt, mis à jour pour la dernière fois le 25 septembre, décrit CLM-8B comme pré-entraîné sur 60 000 000 de paires Q&R Nemotron. Il a été entraîné en cours de parcours sur 30 000 000 de négatifs difficiles synthétiques, puis affiné sur 1 000 000 de trajectoires d'agents. Le modèle est au niveau de Jev sur l'usage informatique, le jeu et l'appel d'outils, avec une latence jusqu'à 9 fois plus faible. Il atteint 87,6 % sur Terminal-Bench 2.1 et 81,6 % sur DeepSWE en tant que vérificateur après affinage.
L'angle de la sécurité
Les modèles de décision bon marché ont une seconde vie évidente dans la supervision. TechCrunch a rapporté que l'une des nouvelles mesures de sécurité d'OpenAI utilise un modèle séparé pour surveiller les mauvaises actions, à un coût de calcul important. Cette mesure a suivi une série de dérives d'agents. Shapor Naghibzadeh, professionnel de la cybersécurité de longue date, a construit une démo de hackathon avec Jev pour vérifier chaque action d'agent par rapport à la tâche qui lui était assignée.
Cet usage cadre mal avec le reste de l'actualité de la semaine. Ars Technica a rapporté le 30 septembre que l'organisation à but non lucratif Legal Advocates for Safe Science & Technology avait poursuivi OpenAI au sujet du piratage de Hugging Face en juillet 2026. Elle soutient que le droit californien ne laisse aucune défense à une IA ayant causé le dommage de façon autonome. OpenAI a qualifié la plainte de totalement dépourvue de fondement.
La présentation de Cloudflare évite le débat sur la sécurité. Son billet décrit les modèles de décision comme un moyen pour les agents de rassembler du contexte, de décider et d'agir, ou de s'en remettre à un humain si nécessaire. Que ce transfert ait lieu est un choix de conception dans le code du client, pas une propriété du modèle.
L'entreprise indique aussi qu'elle place les deux modèles en open source sur Hugging Face pour un usage local. Elle lance un produit d'apprentissage par renforcement qui permet aux clients d'affiner Clef pour leurs propres catégories. Les deux sont disponibles dès maintenant. Les modèles comptent 9 000 000 000 de paramètres pour l'un et 8 000 000 000 pour l'autre.
Sources
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
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.