Cloudflare在2026年10月9日的官方博客中宣布推出Clef-omni。这款决策模型可接收音频、视频、图像和文本输入；同次更新还包括提高Clef的速度，以及下调Clef-flash的价格。按Cloudflare的说法，降价后的Clef-flash已比TypeSafe的Jev更便宜。
新增能力的重点是直接接收音视频。此前的Clef已经支持图像和视频帧数组，Clef-omni则进一步支持wav、mp3音频，以及mp4、webm视频。Cloudflare表示，开发者不必先串联语音转文字模型，或将视频中的音频与图像通道拆开，再交给不同模型处理，而可以调用一个模型，依据这些不同类型的输入作出决策。
Clef-omni基于Qwen3-Omni-30B-A3B-Instruct的混合专家架构构建。Cloudflare采用了其主要的理解骨干，但舍弃了文本转语音的输出组件。因此，此次音视频支持指向的是多模态输入理解与决策，而非语音输出。
在生产运行中，Clef-omni会对完整输入进行一次快速预填充，同时为各类输入及有效参数选项评分。Cloudflare称，Clef系列不属于大语言模型，不进行输出词元生成，因此可省去对输入文件进行转写或生成图像说明的开销。媒体内容直接进入统一序列，视频、音频与视觉帧同步后共同处理。
开放方式上，Cloudflare已在HuggingFace发布Clef-omni的模型权重，并提供开发者文档。它延续了上周发布的Clef与Clef-flash的开放权重路线，此次把决策模型可接收的输入扩展到音频和视频。
原始来源：Introducing Clef-omni with full multimodality, plus a faster Clef and a cheaper Clef-flash