رقابت کلادفلر با انتشار مدل‌های وزن‌باز Clef؛ جایگزینی چندوجهی و پرسرعت برای Jev

شرکت کلادفلر (Cloudflare) با معرفی دو مدل وزن‌باز جدید به نام‌های Clef و Clef-flash، گام مهمی در حوزه مدل‌های تصمیم‌گیری ساختاریافته برداشته است. این مدل‌ها که برای وظایفی نظیر پاسخ‌دهی بله/خیر، گزینش چندگزینه‌ای و رتبه‌بندی طراحی شده‌اند، به‌طور مستقیم پلتفرم Jev توسعه‌یافته توسط شرکت TypeSafe را هدف قرار داده‌اند. انتشار این مدل‌ها در پاییز ۱۴۰۵ نشان‌دهنده تغییر جهت به سمت معماری‌های وزن‌باز تخصصی با پشتیبانی از داده‌های چندوجهی است.

معماری فنی و نحوه عملکرد مدل‌های Clef

بر اساس مستندات منتشر شده، مدل‌های سری Clef بر پایه ستون فقرات مدل‌های زبانی بزرگ (LLM Backbone) طراحی شده‌اند. کلادفلر برای ساخت Clef از نسخه فریز شده و پس‌پیرایش‌شده (Post-trained) مدل Qwen3.8-27B استفاده کرده است، در حالی که مدل سبک‌تر Clef-flash از معماری Qwen3.5-9B بهره می‌برد. نحوه استنتاج (Inference) در این مدل‌ها به گونه‌ای بهینه‌سازی شده که بخش بک‌بون Qwen تنها یک فاز Prefill-only را اجرا می‌کند و سپس ارزیابی و امتیازدهی به گزینه‌ها به صورت کاملاً موازی انجام می‌پذیرد. این روش باعث شده تا سرعت پردازش به‌شدت افزایش یابد.

مقایسه بنچمارک‌ها: Clef در برابر Jev

در ارزیابی‌های صورت‌گرفته روی شاخص تصمیم‌گیری Jev (Decision Index) موجود در پلتفرم هگینگ فیس، مدل Clef نشان داده است که با وجود سرعت اندکی پایین‌تر نسبت به برخی مدل‌های سبک وزن‌باز، دقت به‌مراتب بالاتری ارائه می‌دهد. در طرف مقابل، مدل Clef-flash دقتی هم‌سطح با رقبا ثبت کرده اما از نظر سرعت اجرا بسیار سریع‌تر از آن‌ها عمل می‌کند. همچنین در آزمون‌های اختصاصی شرکت TypeSafe، کلادفلر مدعی است که Clef توانسته در سه بخش از چهار بخش اصلی، مدل Jev را شکست دهد و تنها در بخش مشاهده‌پذیری ردگیری ایجنت‌ها (Agent trace observability) عقب بماند.

برتری‌های کلیدی: پشتیبانی چندوجهی و پنجره بافت ۶۴K

بزرگ‌ترین مزیت رقابتی Clef نسبت به Jev، فراتر رفتن از پردازش متنی صرف است. در حالی که معماری دقیق Jev توسط TypeSafe به صورت بسته و محرمانه نگه داشته شده و محدود به متون است، Clef به صورت کامل از ورودی‌های تصویری و ویدیویی نیز پشتیبانی می‌کند. از سوی دیگر، هر دو مدل از پنجره بافت ۶۴K پشتیبانی می‌کنند؛ اما در Jev محدودیت‌هایی وجود دارد، به طوری که حالت پرونده به همراه طولانی‌ترین پرسش فردی نمی‌تواند از ۳۲K توکن فراتر رود، در حالی که Clef انعطاف‌پذیری بیشتری در مدیریت حافظه ارائه می‌دهد.

دسترسی‌پذیری و آینده توسعه مدل‌های تصمیم‌گیری

با توجه به وزن‌باز بودن مدل‌های Clef، توسعه‌دهندگان می‌توانند این مدل‌ها را به طور مستقیم از مخزن رسمی Hugging Face دریافت کرده و روی زیرساخت‌های محلی یا ابری خود اجرا کنند. این اقدام کلادفلر در سال ۱۴۰۵، رقابت در حوزه مدل‌های تصمیم‌گیری ساختاریافته را وارد فاز جدیدی کرده و وابستگی به سرویس‌های انحصاری و بسته را به حداقل می‌رساند.