Cloudflareのマルチモーダル決定モデル「Clef」がOllamaで利用可能に

Cloudflareのマルチモーダル決定モデル「Clef」がOllamaで利用可能に

基本情報

項目 内容
公開元 Ollama
公開日 2026-10-19
ライセンス MIT
出典の種類 公開元の一次情報(Ollama公式ブログが一次情報源)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

Cloudflareが開発したマルチモーダル決定モデル「Clef」がOllamaで利用可能になりました。ローカル環境およびOllamaのクラウド環境の両方で実行できます。

Clefはテキストや画像による入力状態と型付き質問スキーマを受け取り、決定と各選択肢の確率を直接出力するモデルです。一般的な大規模言語モデル(LLM)のように単語を1つずつ逐次生成するのではなく、非自己回帰的に1回の処理でスキーマの各選択肢を並行して評価する設計となっており、高速かつ決定論的な構造化出力を得られる点が特徴です。

スペック

  • パラメータ数: 27B(Clef) / 9B(Clef-flash)
  • ベースモデル: Qwen3.8-27B(Clef) / Qwen3.5-9B(Clef-flash)
  • コンテキスト長: 64k
  • 入力モダリティ: テキスト、画像

性能

Cloudflareの公表資料では、先行する決定モデルである「Jev」などのモデルと比較したベンチマーク結果が掲載されています。Jev Decision Indexにおける主要な評価結果は以下の通りです。なお、掲載にあたり比較対象の列を一部整理しています。

→ 横にスクロールできます

Benchmark Clef Clef-flash Jev DiffusionGemma Jev Kev 9B
BFCL · case exact 98.47 98.76 95.75 96.52 94.51
ToolRet · nDCG@10 69.19 66.43 65.28 61.21 64.26
API-Bank · accuracy 91.93 93.11 88.19 83.66 56.30
Home appliances · case exact 82.95 97.73 52.27 42.05 25.00
When2Call · accuracy 72.37 65.58 80.97 75.44 49.62
BANKING77 · macro-F1 94.20 90.93 79.74 74.28 84.83
CLINC150+OOS · macro-F1 97.43 66.77 89.27 83.49 79.03
BRIGHT · nDCG@10 45.91 39.26 47.52 42.94 38.53
Amazon ESCI · macro-F1 57.48 57.39 55.21 53.37 49.22
PhishNChips · accuracy 79.60 75.05 62.55 85.35 50.75

また、Typesafeによるワークフロー評価の測定値も公表されています。

Workflow Clef Clef-flash Jev
Invoice processing 64.7 57.1 61.8
Customer service 76.3 77.0 76.0
Security incidents 62.9 61.7 61.7
Agent trace observability 68.5 69.8 71.6

さらに、43種類のベンチマークを通じた推論レイテンシ(ミリ秒)の測定結果は以下の通りです。

→ 横にスクロールできます

Latency (ms) Clef Clef-flash Jev DiffusionGemma Jev Kev 9B
Median 209.3 38.8 524.1 84.4 51.4
p95 238.6 122.4 536.0 211.2 187.9

公開元によるこれらの測定結果から、Clefは関数の選択と引数の組み立て精度を測るBFCLで98.47(Clef-flashは98.76)を記録し、Jevの95.75を上回る高いツール利用精度を示しています。BANKING77やCLINC150+OOSなどの分類タスクやAPI-BankでもJevを上回るスコアを達成しています。一方で、When2CallやBRIGHTではJevのスコアに及ばず、PhishNChipsではDiffusionGemma Jevを下回るなど、タスクによって優劣が見られます。レイテンシ面では、Clefの中央値が209.3ms、Clef-flashが38.8msとなっており、Jevの524.1msと比較して大幅に高速な応答を実現しています。

得意なこと・想定用途

Clefは、ビジョンエンコーダーを備えたマルチモーダル決定モデルであり、テキストやJSONなどのデータ構造だけでなく、スクリーンショット、領収書、フォーム、写真といった画像入力を直接評価して意思決定を行うことが得意です。従来テキストのみに対応していた決定モデル(Jevなど)に対し、視覚的な情報を組み合わせた分類や判断を一度の処理で実行できる点が大きな強みです。

モデルカードや公式アナウンスでは、具体的に以下のようなユースケースが挙げられています。

  • リクエストのルーティング: 転送先の候補と適用ルールを定義することで、選択された宛先とそれぞれの確率を取得します。
  • 条件の確認(判定): Yes/Noで回答する質問と証拠文脈を入力し、真偽値およびその確率を取得します。
  • ポリシーの適用: 定められた規則と許可される結果に基づき、提供されたテキストや画像から型付きの決定を受け取ります。
  • ドキュメントの読み取り: ページの画像と評価対象のフィールド群を与えることで、フィールドごとの詳細な決定と確率を抽出します。
  • ツール呼び出しのモデレーション: AIエージェントがツールを実行する前に、そのツール呼び出しの妥当性をチェックします。

また、Clefは64kのコンテキストウィンドウをサポートしており(Jevの32kと比較して拡大)、より多くの入力状態をまとめて渡すことができます。Cloudflare内部の脅威インテリジェンスチームによる検証では、Webサイトの画面を取得してドメインのカテゴリ(ファッション、EC、フィッシング等)を判定するタスクにおいて、汎用LLM(gpt-oss-120b)が4.7秒で2つの分類しか返せなかったのに対し、Clefは2.2秒でより多くの分類結果を取得できたと報告されています。

このように、確定した型付き選択肢と確率を1回の非自己回帰パスで同時に計算できる特性を持つため、エージェント型ワークフローにおける迅速な自動意思決定や、人間の介入を減らしたシステム制御に適しています。

入手方法

Clef(27B)および軽量版のClef-flash(9B)はオープンソースとしてApache 2.0ライセンスで公開されており、多様な環境で入手・実行できます。

  • Ollama: ローカル環境での実行に加えて、Ollama’s cloud上でも利用可能です。
  • Hugging Face: モデルの重みが公開されており、ローカルでダウンロードして動作確認や実験を行えます。
  • Cloudflare Workers AI: ホスト型APIとして提供されており、エッジGPUを活用した低レイテンシな実行が可能です。

ClefはJev APIおよびSystem One APIと完全な互換性を備えているため、既存のAPI呼び出しのコードをそのまま利用してスムーズに置き換えることができます。また、Cloudflareからは専用の強化学習(RL)サービスやファインチューニングのパートナーシップも提供されており、特定の業務データに合わせた追加学習もサポートされています。

関連記事

次に読むなら

出典