Cloudflare lance Clef, ses modèles de décision pour agents

Cloudflare dévoile Clef et Clef-flash, deux modèles de décision qui renvoient des probabilités plutôt que du texte. Multimodaux et annoncés comme très rapides, ils sont compatibles avec l’API de Jev et immédiatement exécutables sur Workers AI, avec une mise à disposition sur Hugging Face sous licence Apache-2.0.

Disponibilité, licence et concurrence immédiate

Clef et Clef-flash sont proposés sur Hugging Face sous licence Apache-2.0 et s’exécutent sur la plateforme Workers AI de Cloudflare. L’éditeur maintient l’API de Clef compatible avec celle de Jev afin de simplifier un éventuel basculement pour les clients. Ces lancements s’inscrivent face à une concurrence active : OpenAI a introduit fin septembre une API de décisions basée sur GPT-6 Luna, acceptant texte et images. L’approche a été popularisée par TypeSafe AI, fondée par l’ex-chercheur d’OpenAI Diogo Almeida, avec Jev positionné comme « sans hallucinations », c’est-à-dire restreint à un espace de réponses prédéfinies sans exclure des choix erronés. Plus largement, Cloudflare intervient depuis un socle d’infrastructure réseau, DNS et sécurité, après des annonces récentes sur le contrôle des accès des bots d’IA, dont une mesure en juillet permettant aux opérateurs de bloquer ou autoriser ces bots en fonction de leur objectif.

Cas d’usage internes et agents sans intervention humaine revendiquée

Cloudflare affirme qu’un humain n’a plus nécessairement à intervenir dans les décisions prises par des agents. L’entreprise présente des agents qui sont en mesure de collecter des éléments contextuels, de prendre des décisions et d’agir, tout en sollicitant un humain si besoin. En interne, Cloudflare a l’intention d’utiliser Clef pour analyser les signalements d’abus, organiser les requêtes de support et faire la distinction entre bots bénéfiques et bots nuisibles. Lors du traitement d’un flux de support, Clef est capable d’estimer le niveau d’urgence d’un message et de déterminer l’équipe appropriée, ces informations pouvant ensuite être exploitées par le code afin d’orienter un ticket, déclencher une procédure d’escalade ou confier le dossier à un opérateur.

Performances annoncées et comparaison à Jev

Cloudflare rapporte une latence médiane de 39 millisecondes pour Clef-flash et de 209 millisecondes pour Clef, en avançant un avantage de vitesse sur les modèles concurrents. Dans les chiffres fournis, Jev affiche un peu plus de 524 millisecondes de latence médiane. Les deux modèles s’exécutent sur l’infrastructure de Cloudflare, qui revendique un bénéfice de proximité des centres de données en périphérie. Selon les mesures internes de l’éditeur, Clef fournirait la meilleure qualité de décision tandis que Clef-flash approcherait la précision de Jev avec une latence bien moindre.

Fonctions multimodales et exemple de classification web

Reposant sur Qwen et compatibles avec le texte comme avec les images, ces modèles répondent à diverses questions prédéterminées pour une même donnée, en attribuant à chaque option une probabilité. L’équipe de renseignement sur les menaces de Cloudflare utilise déjà Clef pour effectuer la classification de sites : dans un cas présenté, un domaine obtient une probabilité de 95 % d’être lié à la mode et de 85 % d’être une boutique en ligne, tandis que le risque de phishing est évalué à moins de 1 %. Cette séquence d’extraction, d’affichage et de classification a duré 2,2 secondes, alors que le modèle de langage général le plus performant de Cloudflare a nécessité 4,7 secondes et n’a proposé que deux classes. Clef traite les images là où Jev est limité au texte et propose une fenêtre de contexte de 64 000 tokens, environ deux fois celle de Jev. Dans des benchmarks internes, Clef arrive en tête de l’indice de décision Jev. Plus largement, ces modèles se positionnent entre LLM, plus lents et variables mais capables d’outillage, et classificateurs traditionnels, rapides mais à réentraîner pour chaque nouvelle catégorie.

Architecture, entraînement RLCD et personnalisation client

Selon Cloudflare, Clef s’appuie sur Qwen3.8-27B et Clef-flash sur Qwen3.5-9B. Les modèles de base restent inchangés durant l’entraînement, des composants supplémentaires étant formés avec des données synthétiques pour dériver options de réponse et probabilités à partir des calculs internes. L’entraînement mobilise une variante de RLCD, également utilisée par TypeSafe pour Jev, afin de répondre à plusieurs questions en un appel et calibrer les probabilités sur la fréquence réelle des bonnes réponses. Côté adoption, Cloudflare déploie un service d’apprentissage par renforcement pour adapter Clef aux cas clients, avec au départ une équipe d’ingénieurs dédiée et une plateforme en libre-service prévue ensuite. Les clients doivent pouvoir constituer un jeu de données via AI Gateway, l’évaluer dans des conteneurs jouant le rôle de bacs à sable RL puis déployer les modèles affinés sur Workers AI grâce à un composant formateur. Pour exécuter des modèles personnalisés, Cloudflare indique utiliser une technologie issue de Replicate, acquise fin 2025. Clef et Clef-flash, en tant que modèles de décision, renvoient des probabilités sur des options plutôt que des réponses textuelles.