عندما يعالج نموذج واحد جميع أنواع المدخلات، تصبح الأنظمة المتسلسلة أبسط بكثير

معظم أدوات أتمتة الذكاء الاصطناعي هي في الواقع عدة نماذج تعمل بالتسلسل. نموذج يقرأ النص، وآخر يحوّل الصوت إلى نص، وثالث يصف الصور. هذه السلسلة تستغرق وقتاً وتُكلّف المال في كل خطوة، وتنهار عند تعطّل أي جزء منها. نموذج واحد يعالج جميع أنواع المدخلات دفعة واحدة يُغيّر هذه المعادلة كلياً.

في التاسع من أكتوبر، أطلقت Cloudflare نموذج Clef-omni، وهو نموذج قرار يقبل النصوص والصور وملفات الصوت (WAV أو MP3) ومقاطع الفيديو (MP4 أو WebM) في استدعاء API واحد، ويُعيد تصنيفاً منظماً أو مساراً محدداً. بُني على نموذج مفتوح بـ 30 مليار معامل، ويكلّف 0.15 دولار لكل مليون رمز عبر Workers AI. كما نشرت Cloudflare أوزان النموذج على Hugging Face، لتتمكن أي فرقة من تشغيله على خوادمها الخاصة، مجاناً.

أرقام السرعة عملية للغاية. تعود قرارات النص خلال نحو 130 ميلي ثانية، والصور خلال 150 ميلي ثانية، ومقطع فيديو مدته 21 ثانية مع صوت خلال نحو 1.5 ثانية. على معيار BFCL — وهو اختبار معياري يقيس مدى دقة النماذج في اتباع تعليمات استدعاء الأدوات — حقّق Clef-omni نتيجة 98.2%، مرتفع بما يكفي للثقة به في الإنتاج.

هذا مهم بشكل خاص للفرق التي تفرز العمل الوارد أو تُوجّهه: دعم العملاء، ومراجعة المحتوى، والاستقبال القانوني، وكشف الاحتيال. هذه الطوابير تجمع الآن بين تذاكر النص ولقطات الشاشة والرسائل الصوتية ومقاطع الفيديو القصيرة. حالياً، يعني ذلك ثلاثة أو أربعة نماذج منفصلة، وثلاثة أو أربعة استدعاءات API، وثلاثة أو أربعة فواتير. يُدمج Clef-omni كل ذلك في خطوة واحدة — ولمن يعالج آلاف عناصر الوسائط المختلطة يومياً، هذا التبسيط يُحدث فارقاً كبيراً بسرعة.

إن كان منتجك يلمس بأي شكل مستنداتٍ أو صوتاً أو فيديو، يستحق الأمر تجربته الآن. الأوزان متاحة على Hugging Face، وAPI يعمل على Workers AI، والسعر منخفض بما يكفي لإجراء تقييم حقيقي هذا الأسبوع. بناء مسار النموذج الواحد اليوم أسهل بكثير من فكّ سلسلة نماذج لاحقاً.