Cloudflare发布Clef-omni：一次处理文字、图片、音频和视频

10月9日，Cloudflare宣布发布Clef-omni，在文字和图片之外加入音频及视频输入。官方同时公布了Clef系列的性能和价格调整，本次新模型重点是根据多种输入作出结构化判断。

例如，开发者可以在同一次请求中提交设备照片、运行声音和视频，让模型按预先定义的问题与选项进行分析。官方提供了开发文档，并在Hugging Face开放模型权重。

这类决策模型与生成长篇回答的聊天助手不同。它主要面向指定字段和选项的判断任务，不能据此认定它能完成所有音视频理解，或把厂商测试成绩当成每个实际场景的保证。

对普通用户，多模态工具可能减少在不同应用之间转换素材的步骤。但上传录音、照片或视频前，仍应检查服务的数据使用范围；重要判断需要人工复核，可用功能与费用以实际服务说明为准。