Wenn ein Modell alle Eingabetypen verarbeitet, werden Pipelines endlich einfach
Cloudflares neues Open-Weight-Modell Clef-omni verarbeitet Text, Bilder, Audio und Video in einem einzigen API-Aufruf — und macht die aufwendigen Mehrmodell-Pipelines überflüssig, auf die die meisten Teams bisher angewiesen waren.
- $0.15
- pro Million Token für Clef-omni
- 30B
- Parameter, offenes Modell
- 130ms
- mittlere Antwortzeit für Textentscheidungen
- 98.2%
- Punktzahl im BFCL Function-Calling-Benchmark
Die meisten KI-Automatisierungstools sind in Wirklichkeit mehrere Modelle, die in einer Kette arbeiten. Eines liest Text, ein anderes transkribiert Audio, ein drittes beschreibt Bilder. Diese Kette kostet Zeit, Geld an jedem Schritt und bricht zusammen, sobald ein Teil versagt. Ein Modell, das alle Eingabetypen gleichzeitig verarbeitet, ändert diese Rechnung grundlegend.
Am 9. Oktober veröffentlichte Cloudflare Clef-omni, ein Entscheidungsmodell, das Text, Bilder, Audiodateien (WAV oder MP3) und Videoclips (MP4 oder WebM) in einem einzigen API-Aufruf annimmt und ein strukturiertes Label oder eine Route zurückgibt. Es basiert auf einem offenen Modell mit 30 Milliarden Parametern und kostet 0,15 Dollar pro Million Token über Workers AI. Cloudflare hat die Modellgewichte auch auf Hugging Face veröffentlicht, sodass jedes Team es kostenlos auf eigenen Servern betreiben kann.
Die Geschwindigkeitswerte sind solide. Textentscheidungen kommen in etwa 130 Millisekunden zurück, Bilder in 150 Millisekunden und ein 21-Sekunden-Videoclip mit Audio in rund 1,5 Sekunden. Beim BFCL-Benchmark — einem Standardtest, der prüft, ob Modelle Tool-Aufrufe präzise befolgen — erzielte Clef-omni 98,2 Prozent, hoch genug für den Produktionseinsatz.
Das ist besonders wichtig für Teams, die eingehende Anfragen priorisieren oder weiterleiten: Kundensupport, Inhaltsprüfung, Rechtsaufnahme, Betrugserkennung. Solche Queues mischen heute bereits Texttickets, Screenshots, Sprachnachrichten und kurze Videoclips. Bisher bedeutet das drei oder vier separate Modelle, drei oder vier API-Aufrufe und drei oder vier Rechnungen. Clef-omni fasst das in einem Schritt zusammen — und für alle, die täglich Tausende gemischter Medienobjekte verarbeiten, macht diese Vereinfachung sich schnell bezahlt.
Wenn dein Produkt auf irgendeine Weise Dokumente, Sprache oder Videos berührt, lohnt sich ein Test jetzt. Die Gewichte sind auf Hugging Face, die API läuft auf Workers AI, und der Preis ist niedrig genug, um es diese Woche in einem echten Workflow zu testen. Den Einmodell-Ansatz heute zu bauen ist viel einfacher, als später eine Kette zu entwirren.