Cloudflare presentó el viernes 9 de octubre Clef-omni, un modelo de inteligencia artificial que analiza texto, imágenes, audio y video para resolver preguntas con respuestas delimitadas de antemano. El lanzamiento amplía la familia de modelos de decisión que la empresa había difundido la semana anterior. La herramienta apunta a tareas como clasificación de solicitudes, selección de rutas de atención y evaluación de información estructurada, dentro de aplicaciones desarrolladas por otras organizaciones.

El funcionamiento parte de dos elementos: un conjunto de información para examinar y un esquema que establece cuáles son las preguntas y sus respuestas posibles. A partir de esos datos, el sistema asigna probabilidades a cada opción. Ese formato permite integrar los resultados en programas que necesitan elegir entre alternativas concretas. La documentación admite preguntas de elección, puntuación y evaluación, y fija un máximo de 64 preguntas por solicitud. El alcance de una respuesta queda condicionado por las opciones que haya definido quien desarrolla la aplicación.

La principal novedad es la incorporación conjunta de sonido e imagen en movimiento. Según la empresa, Clef-omni puede examinar archivos de audio y videos con sus pistas sonoras, además de fotografías y datos escritos, dentro de una misma consulta. La propuesta reduce la necesidad de encadenar etapas separadas de transcripción y análisis visual. Los límites publicados contemplan hasta cuatro clips de audio y dos videos por solicitud; estos últimos pueden durar como máximo 60 segundos cada uno y se muestrean a dos cuadros por segundo.

La ficha técnica ubica su base en Qwen3-Omni-30B-A3B-Instruct, una arquitectura de mezcla de expertos con 30.000 millones de parámetros de base y 3.000 millones activos. Cloudflare adaptó el componente de comprensión para producir puntuaciones sobre las opciones permitidas. El repositorio explica que los componentes heredados de generación de voz no se utilizan en esa operación. Los pesos están publicados en Hugging Face bajo licencia Apache 2.0, lo que permite estudiar y desplegar el modelo de acuerdo con sus condiciones.

Esa alternativa de ejecución propia tiene requisitos materiales. La ficha del repositorio indica que la base necesita alrededor de 64 GB de memoria de GPU en formato bfloat16 y describe pruebas con una aceleradora H200. También identifica dependencias para procesar imágenes, audio y video. La disponibilidad de los pesos, por lo tanto, abre una vía de implementación independiente, pero no elimina el costo del equipamiento ni del mantenimiento del sistema.

En el servicio Workers AI, Clef-omni debutó con una tarifa de 0,15 dólares por millón de tokens de entrada y una ventana de contexto de 64.000 tokens. La documentación aclara que imágenes, audio y video se convierten en unidades de entrada para el cobro y que estos modelos no facturan tokens de salida. El costo concreto de procesar archivos multimedia depende, por ello, de su extensión y de cómo los transforma el sistema, además del volumen de solicitudes.

Cloudflare acompañó el anuncio con una baja del precio de Clef-flash, de 0,09 a 0,038 dólares por millón de tokens de entrada. La reducción se aplica junto con un cambio relevante: la versión alojada pasa de una ventana anunciada de 64.000 tokens a 24.000. Los pesos descargables mantienen su configuración anterior. Para las aplicaciones que procesan documentos extensos o grandes conjuntos de datos, esa diferencia obliga a revisar el tamaño de las consultas antes de trasladarlas al servicio más económico.