Cloudflare は 10 月 9 日に正式な発表を行い、新しいオープンウェイト決定モデルである Clef-omni をリリースしました。このモデルは従来のテキストと画像処理能力に加え、音声および完全な動画形式のサポートをさらに拡張しており、一度の API コールでマルチモーダルコンテンツを同時に処理できます。

image.png

マルチモーダルのアップグレードとアーキテクチャの解説

マルチモーダル対応において、従来のClefモデルは主にテキスト、画像、そして時間間隔で抽出された静的連続画像を処理していました。一方、新しくリリースされたClef-omniは、wav、mp3、mp4、webmなどの音声・動画形式をネイティブにサポートしています。この改善により、開発者はこれまで別途音声変換や音声・動画分割のプロセスをデプロイする必要がなくなり、単一のモデルで多様な入力要件を効率的に処理できるようになりました。

公式に公開された技術的な詳細によると、Clef-omniはQwen3-Omni-30B-A3B-Instructに基づいて構築されており、そのコアな理解能力を保持しています。このモデルは主に構造化された意思決定タスクを対象としており、通常のテキスト出力を生成しません。性能面では、純粋なテキスト要求の中央値応答時間は約130ミリ秒、画像は約150ミリ秒です。21秒の音声を含むビデオを処理するには約1.5秒で評価が完了します。

価格引き下げとシリーズモデル比較

新しいモデルのリリースに伴い、CloudflareはClef-flashの使用料を同時に引き下げました。100万入力トークンあたりの費用は0.09ドルから大幅に0.038ドルに下がり、58%の低下となりました。ホスティング版のコンテキスト窓は64kから24kに調整されました。全体的に見れば、現在のシリーズモデルの段階的な価格体系は、さまざまな開発者のコストとパフォーマンスのニーズに対応しています。