LONDON (IT BOLTWISE) – Mit Clef und Clef-flash bringt ein neues Paket an Entscheidungsmodellen KI-Workflows mehr Determinismus. Die Modelle liefern strikt typisierte, schema-konforme Ausgaben mit Wahrscheinlichkeiten und sind laut Anbieter schnell genug, um direkt im „Hot Path“ von Agenten-Logik zu laufen. Zusätzlich startet ein Reinforcement-Learning-Angebot, das Clef kundenspezifisch für einzelne Use Cases feinjustiert. Wer will, kann die Gewichte unter Apache 2.0 laden und lokal experimentieren.
Entscheidungsmodelle wirken in der Praxis oft unspektakulär: Sie sollen nicht „irgendwas sinnvoll klingen“, sondern eine definierte Entscheidung aus einem vorgegebenen Schema ableiten. Genau dafür positioniert sich Clef – ein Open-Source-Entscheidungsmodell, das zusammen mit Clef-flash veröffentlicht wird. Der zentrale Anspruch: strukturierte, begrenzte Outputs mit Wahrscheinlichkeiten, die sich in bestehende Softwarepfade einhängen lassen, sobald ein Agent eine handfeste Aktion benötigt. Während große Sprachmodelle (LLMs) je nach Kontext variieren und häufig offen-generativ arbeiten, zielt Clef auf kontrollierbare Outputs, ohne ständig neue Kategorien in ein Textgenerationsprompt zu „lernen“.
Der Anbieter beschreibt Clef als Jev-API-kompatibles Modell-Set und stellt die Einbindung über die Workers-AI-Plattform in den Mittelpunkt. Im Kern soll ein Decision-Model wie eine Art „Formularautomat“ funktionieren: Man übergibt Eingaben wie eine Support-Nachricht oder den Kontext eines Ereignisses, das Modell gibt dann typisierte Felder zurück – etwa „urgent“ oder „team“ – inklusive Kalibrierung über Wahrscheinlichkeiten. Im Threat-Intelligence-Use-Case wird der Effekt greifbar: Beim Klassifizieren von Domain-Inputs per Browser-Run braucht Clef laut Bericht 2,2s für Abruf, Rendering und Klassifikation. Im gleichen Ablauf benötigt ein als Vergleich genanntes schnelles Open-LLM 4,7s und liefert dort nur zwei Klassifikationen. Für Entwickler zählt dabei nicht nur Latenz: Je strukturierter die Entscheidung, desto einfacher lässt sich die Ausgabe zuverlässig für Routing, Escalation oder „Human-in-the-loop“-Abzweigungen nutzen.
Auch technisch versucht Clef den klassischen Trade-off zu entschärfen, der bei „textbasierten“ Systemen entsteht: Autoregressive Modelle müssen tokenweise Zwischenrepräsentationen generieren, bevor sie zur endgültigen Struktur kommen. Clef setzt dagegen auf eine nicht-autoregressive Entscheidungsphase. Der Ablauf wird so dargestellt: Clef führt zunächst einen „Prefill-only“-Durchlauf mit dem Backbone durch und bewertet anschließend in paralleler Weise die gültigen Schema-Optionen. Dadurch entsteht kein Zwischentext, der bei jeder Abfrage neu entstehen muss. Für die Modellarchitektur nennt der Anbieter zudem ein zweistufiges Attention-Routing: Jede gültige Wahl extrahiert kontextrelevantes Material, sodass Feldparameter vor dem Scoring miteinander und mit dem ursprünglichen Payload zusammenarbeiten können. Unterm Strich soll das schneller sein als generatives „Text-to-JSON“, aber trotzdem die semantische Intention über Optionen hinweg bewahren.
In der Modellfamilie sollen verschiedene Anforderungen bedient werden: Clef bleibt das „precision“-orientierte Modell, während Clef-flash stärker auf latency-kritische Entscheidungen zugeschnitten ist. Bei den technischen Unterschieden hebt der Anbieter insbesondere zwei Punkte hervor: Clef verfügt über einen Vision-Encoder, kann also auch visuelle Inhalte klassifizieren, während die Jev-Referenz heute nur Textklassifikation abdeckt. Außerdem wird ein 64k-Context-Window genannt (im Vergleich zu 32k bei Jev), was für komplexe Agenten-Szenarien relevant ist, in denen mehr als nur der unmittelbare Prompt als Entscheidungsgrundlage eingeht. Zusätzlich verweist der Bericht auf eine Wettbewerbsfähigkeit über den Jev Decision Index hinweg sowie auf Benchmarks in Kategorien wie Tool-Effizienz, API-Bank-Genauigkeit und klassische Klassifikations-Setups. Bemerkenswert ist auch die Latenzstatistik über viele eval-Benchmarks: Für Clef wird eine mediane Latenz von 209,3ms und eine p95-Latenz von 238,6ms angegeben; Clef-flash liegt bei 38,8ms bzw. 122,4ms. Damit wird das Grundargument gestützt, dass Entscheidungsmodelle in der Agentenarchitektur nicht „nur irgendwo“ laufen, sondern als schnelle Schnittstelle zwischen Kontextbeschaffung und Aktion funktionieren können.
Von besonderem Interesse ist die Ausrichtung auf Fine-Tuning und Reinforcement Learning, weil sie den Weg von „Allgemeingültig“ zu „Domänenspezifisch“ adressiert. Der Anbieter beschreibt, dass Fine-Tuning bei Clef zugunsten höherer Genauigkeit in einem spezifischen Bereich gehen kann – also etwa bei Trust-and-Safety-Entscheidungen, bei der Triage von Support-Anfragen oder bei Bot-Produkten zur Einordnung, ob ein Crawler „gut“ oder „schlecht“ ist. Da das Unternehmen dafür auf über 15 Jahre Netzwerkdaten über viele Domänen verweist, soll das Training schneller und präziser als ein generisches Modell funktionieren, sobald klare Labels und Entscheidungslogik vorhanden sind. Genau darauf baut auch der neue RL-Dienst auf: Kunden sollen Clef für ihre Workloads feinjustieren können, zunächst über ein hands-on Vorgehen mit einer forward-deployierten Engineering-Einheit, später als Self-Serve-Plattform. Als operative Bausteine werden dabei ein AI Gateway für das automatische Dataset-Aufbauen aus Requests, Workers AI für Rollouts, Container als RL-Sandbox zum Scoring und Replay sowie ein Trainer genannt, der Gewichte der Fine-Tune-Modelle aktualisiert und anschließend über ein redeploy auf Workers AI bringt.
Schließlich ordnet Clef die Idee „Decision in the hot path“ strategisch ein: Ein Agent kann mit Clef die Entscheidung treffen, bevor ein großes Sprachmodell oder ein Tooling-Kern überhaupt involviert wird. Das reduziert nicht nur die Zahl teurer Token-Generationen, sondern macht Agentenverhalten auch einfacher auditierbar, weil die Entscheidung in einem festen Schema landet. Für Unternehmen bedeutet das vor allem: Wenn die Entscheidungskriterien stabil sind und Output-Formate klar definiert werden können, lassen sich Latenz, Kosten und Fehlertoleranz häufig besser steuern als mit frei formulierten LLM-Antworten. Gleichzeitig macht die Open-Source-Komponente unter Apache 2.0 das Risiko geringer, denn Teams können Gewichte lokal testen und erst danach entscheiden, wie stark sie auf die Hosting-Integration und das Fine-Tuning-Angebot setzen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Clef und Clef-flash: Open-Source-Entscheidungsmodelle auf Workers AI" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Clef und Clef-flash: Open-Source-Entscheidungsmodelle auf Workers AI" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Clef und Clef-flash: Open-Source-Entscheidungsmodelle auf Workers AI« bei Google Deutschland suchen, bei Bing oder Google News!