Cloudflare ra mắt Clef-omni đa phương thức, tăng tốc Clef và giảm giá Clef-flash
Cloudflare đã phát hành Clef-omni, một mô hình ra quyết định có trọng số mở có thể xử lý đồng thời văn bản, hình ảnh, âm thanh và video trong một lệnh gọi API. Công ty cũng hạ giá Clef-flash xuống thấp hơn Jev và cho biết đã tăng tốc suy luận của Clef lên đến 2 lần. Clef-omni nhận âm thanh WAV/MP3 và video MP4/WebM, giúp không cần dựng các chuỗi xử lý riêng để chuyển giọng nói thành văn bản, tạo mô tả hoặc điều phối từng loại dữ liệu khi cần đưa ra quyết định có cấu trúc, chẳng hạn kiểm tra thiết bị từ ảnh, bản ghi âm và video. Mô hình được xây dựng trên nền tảng mixture-of-experts Qwen3-Omni-30B-A3B-Instruct, đã loại bỏ các thành phần chuyển văn bản thành giọng nói, và có trọng số mở trên Hugging Face. Cloudflare cho biết độ trễ trung vị vào khoảng 130 ms với văn bản, 150 ms với ảnh, vài trăm mili giây với âm thanh và khoảng 1,5 giây với video 21 giây có âm thanh. Trên thực tế, mô hình này cho phép nhà phát triển dùng một mô hình duy nhất cho các tác vụ phân loại và định tuyến theo biểu mẫu đầu ra cố định trên dữ liệu đa phương thức, trong đó mô hình ra quyết định chọn các kết quả được xác định trước thay vì tạo văn bản dài.
Nhà phát triển tại Việt Nam có thể thử Clef-omni cho các quy trình cần đánh giá đồng thời văn bản, ảnh, âm thanh và video theo một biểu mẫu đầu ra cố định. Việc dùng một API duy nhất có thể giảm công sức ghép nối các bước chuyển giọng nói thành văn bản hoặc tách khung hình video.
Đọc bài gốc