Una grabación de una máquina, una foto de su etiqueta y un vídeo del ventilador pueden responder a una misma comprobación. Esa es la propuesta de Clef-omni, el modelo que Cloudflare presentó el 9 de octubre: reunir señales de texto, imagen, sonido y vídeo para escoger entre respuestas definidas de antemano. Su utilidad está en automatizar decisiones pequeñas que se repiten muchas veces.
La diferencia tiene consecuencias para el coste y para lo que entrega. Un chatbot puede redactar una explicación extensa; aquí la aplicación pide una clasificación concreta y recibe puntuaciones para las opciones permitidas. El ahorro potencial aparece cuando una tarea necesita saber a qué departamento enviar un caso o qué comprobación falta, sin encargar una conversación completa.
Una IA que escoge respuestas previamente definidas
La documentación de Clef-omni permite plantear preguntas con valores restringidos. El desarrollador decide qué respuestas son válidas y el modelo puntúa esas posibilidades. No genera texto libre ni una justificación escrita de su decisión. Por tanto, una respuesta bien formada no equivale a una explicación de por qué acertó.
Esto encaja con procesos que ya tienen sus propias reglas. Pensemos en un servicio técnico que recibe pruebas de una instalación: primero comprueba si la información está completa y después decide qué persona debe revisarla. La IA podría ayudar con esa primera selección. Seguiría correspondiendo al sistema determinar si la puntuación basta para continuar o si el caso necesita revisión humana.
Cloudflare muestra un ejemplo de petición que pregunta si una etiqueta es visible, si una máquina suena normalmente y si un ventilador está funcionando. Es una muestra de uso de la API, no una prueba de campo que demuestre su fiabilidad para certificar instalaciones. Lo interesante es combinar tres tipos de evidencia en una sola consulta.
Cuesta 0,15 dólares por millón de tokens de entrada
El modelo está disponible en Workers AI con el identificador @cf/cloudflare/clef-omni. La tarifa publicada es de 0,15 dólares por millón de tokens de entrada, sin cobro de tokens de salida. Las imágenes, el audio y el vídeo se convierten en tokens de entrada: enviar medios audiovisuales también consume presupuesto.
El servicio admite un contexto de 64.000 tokens. En vídeo acepta hasta dos archivos de un minuto cada uno y toma dos fotogramas por segundo. Ese muestreo importa: una acción muy rápida podría quedar entre dos imágenes. Antes de usarlo para detectar un defecto fugaz, habría que medir si el material que llega al modelo conserva la evidencia necesaria.
El precio por millón de tokens tampoco permite calcular directamente cuánto costará revisar mil vídeos. Influyen la duración, el audio, la conversión del archivo y el resto de información enviada. El dato útil para un negocio sería el coste por caso correctamente resuelto, contando también los errores que obligan a repetir el proceso.
Pesos descargables, con requisitos de servidor
Cloudflare ha publicado los pesos de Clef-omni en Hugging Face bajo licencia Apache 2.0. El modelo parte de Qwen3-Omni-30B-A3B-Instruct y aprovecha su capacidad de comprender distintos medios. No es un nuevo lanzamiento de Qwen anunciado este fin de semana.
La ficha describe una ejecución en precisión BF16 que requiere aproximadamente 64 GB de memoria de GPU y una prueba con una NVIDIA H200. Tener los pesos disponibles abre la posibilidad de alojarlo en infraestructura propia, pero esta configuración exige equipamiento de servidor. La descarga por sí sola no convierte el producto en una herramienta preparada para cualquier ordenador.
Para una empresa, elegir entre API y alojamiento propio depende también de qué datos enviará, cuánta carga tendrá y quién mantendrá el servicio. Una tarifa baja puede simplificar el comienzo; operar un modelo descargado implica asumir el despliegue y su supervisión. Son decisiones distintas del precio anunciado por cada petición.
También Microsoft compite por estas decisiones pequeñas
El mismo 9 de octubre, Microsoft presentó Microsoft-Decision-1, orientado a clasificaciones y decisiones estructuradas. Su tarifa anunciada es de 0,042 dólares por millón de tokens de entrada. Esa coincidencia muestra interés por especializar modelos para tareas concretas, aunque las funciones y evaluaciones publicadas no permiten declarar un ganador universal.
Cloudflare también rebajó Clef-flash y anunció mejoras de velocidad para Clef. Son cambios de la familia, no nombres intercambiables con Clef-omni. Para escoger conviene comparar exactamente la variante, los medios que admite y las preguntas que deberá resolver.
La aportación de Clef-omni es reducir pasos al interpretar información de distintos medios y devolver una decisión limitada. Su valor real dependerá de acertar con los casos de cada aplicación. Un formato controlado facilita conectar la respuesta a un programa; la comprobación de esa respuesta sigue siendo parte del trabajo.