Cuando un solo modelo procesa cualquier tipo de entrada, construir se vuelve mucho más simple
El nuevo modelo de pesos abiertos Clef-omni de Cloudflare procesa texto, imágenes, audio y vídeo en una sola llamada a la API, eliminando las cadenas de múltiples modelos de las que dependen la mayoría de los equipos de automatización.
- $0.15
- por millón de tokens para Clef-omni
- 30B
- parámetros, modelo abierto
- 130ms
- tiempo de respuesta mediano para decisiones de texto
- 98.2%
- puntuación en el benchmark BFCL de llamadas a funciones
La mayoría de las herramientas de automatización con IA son en realidad varios modelos trabajando en cadena. Uno lee texto, otro transcribe audio, un tercero describe imágenes. Esa cadena tarda, cuesta dinero en cada paso y falla cuando cualquier parte falla. Un modelo que procesa todos los tipos de entrada a la vez cambia la ecuación por completo.
El 9 de octubre, Cloudflare lanzó Clef-omni, un modelo de decisión que acepta texto, imágenes, archivos de audio (WAV o MP3) y videoclips (MP4 o WebM) en una sola llamada a la API y devuelve una etiqueta o ruta estructurada. Está construido sobre un modelo abierto de 30 000 millones de parámetros y cuesta $0.15 por millón de tokens en Workers AI. Cloudflare también publicó los pesos del modelo en Hugging Face, para que cualquier equipo pueda ejecutarlo en sus propios servidores, gratis.
Los números de velocidad son sólidos. Las decisiones de texto vuelven en unos 130 milisegundos, las imágenes en 150 milisegundos, y un videoclip de 21 segundos con audio en aproximadamente 1,5 segundos. En BFCL — un test estándar que verifica si los modelos siguen instrucciones de llamadas a herramientas con precisión — Clef-omni obtuvo 98,2%, suficientemente alto para confiar en producción.
Esto importa especialmente a los equipos que clasifican o enrutan trabajo entrante: soporte al cliente, moderación de contenidos, admisión legal, revisión de fraudes. Esas colas ya mezclan tickets de texto, capturas de pantalla, mensajes de voz y clips cortos. Hoy eso significa tres o cuatro modelos separados, tres o cuatro llamadas a la API y tres o cuatro facturas. Clef-omni lo reduce a uno solo — y para cualquiera que procese miles de elementos de medios mixtos al día, esa simplificación suma rápido.
Si tu producto toca documentos, voz o vídeo de alguna forma, vale la pena probarlo ahora. Los pesos están en Hugging Face, la API está activa en Workers AI, y el precio es suficientemente bajo para una evaluación real esta semana. Construir el camino de un solo modelo hoy es mucho más fácil que deshacer una cadena después.