Cloudflare、マルチモーダル対応のClef-omniを発表し、価格と速度も改善

Cloudflareは今回、Clefシリーズから一つの新モデルだけを発表したのではない。マルチモーダル意思決定モデルのClef-omni、より安価になったClef-flash、そして高速化されたClefという三つの更新をまとめて公開した。公式ブログが掲げる “faster, cheaper, multimodal” という表現は、実際の導入で問題になりやすい入力形式、利用料金、応答速度を同時に扱うものだ。

主なポイント

• Clef-omniが入力形式を拡張。 音声、動画、画像、テキストを扱えるClefシリーズ初のモデルとされる。テキストだけでなく複数の情報源を判断材料にできる点が特徴だ。ただし、提供された情報には精度ベンチマーク、対応形式、コンテキスト長、具体的なタスク成績は含まれていない。マルチモーダル対応だけを理由に、総合的な優位性を断定することはできない。
• Clef-flashはコスト重視。 Cloudflareは価格が下がったと説明しているが、具体的な料金や値下げ幅は示されていない。高頻度の呼び出し、ワークフローの自動化、リアルタイム処理で使いやすくする方向性は明確だ。
• Clefは速度を改善。 標準版のClefは高速化されたという。ただし、レイテンシ、スループット、測定条件は明らかになっていない。そのため、他モデルを上回ると見るより、サービス提供時の応答性を改善したと理解するのが妥当だ。
• オープンモデルを基盤に採用。 Clef-omniは、オープンソースのQwen3-Omni-30B-A3B-Instructを基盤とする。概要ではMoE構成のモデルとされるが、Cloudflareが学習、アライメント、デプロイ、推論のどの部分を変更したかは説明されていない。

意味と影響

この発表は、意思決定モデルの競争がより実用的な段階に移っていることを示している。これまでは、複雑な質問に答えられるか、推論能力が高いかが注目されがちだった。しかしモデルが業務フロー、エージェント、リアルタイムサービスに組み込まれると、必要な入力を受け取れるか、呼び出しを継続できる価格か、十分に速く返せるかも同じくらい重要になる。

マルチモーダル化は、意思決定モデルが扱える証拠の範囲を広げる可能性がある。画像や音声、動画を判断材料にできれば、テキスト中心の運用から脱却できる。一方で、入力処理の複雑化や計算量の増加も避けられない。実際の価値を判断するには、安定性、誤り率、対応シナリオ、総コストに関する追加情報が必要だ。

三つの更新をまとめて見ると、これは単一の能力を誇示する発表というより、製品化を意識した組み合わせだと言える。Clef-omniは入力の多様化、Clef-flashは経済性、Clefは応答性を担当する。決定的な技術優位を示す材料ではないが、意思決定モデルの評価軸が能力、価格、速度の三つに広がっていることは読み取れる。

出典：OSChina