Cloudflare ने डिसीज़न मॉडल (Decision Model) जारी किए जो गद्य नहीं, प्रोबेबिलिटी (Probability) में जवाब देते हैं

FACT: 2026-10-01 को Cloudflare ने Clef और Clef-flash की घोषणा की और उन्हें रिलीज़ किया — ये दो डिसीजन मॉडल (Decision Model) हैं, जो संरचित/सीमित एजेंट निर्णयों (Agent Decisions) के लिए बने हैं। ये Workers AI पर होस्टेड हैं और Hugging Face पर Apache 2.0 के तहत ओपन वेट्स (Open Weights) के रूप में भी जारी किए गए हैं। (प्राथमिक स्रोत: Cloudflare ब्लॉग, चेंजलॉग (Changelog), HF मॉडल कार्ड्स (Model Cards)।) COMPANY CLAIM: ये मॉडल स्टेट (State) और टाइप्ड सवालों का एक स्कीमा (Schema) लेते हैं और मुक्त-रूप वाले गद्य (free-form prose) की बजाय कॉन्फिडेंस/प्रोबेबिलिटीज़ (Confidence/Probabilities) के साथ निर्णय लौटाते हैं (noul/choice/score); ये 64k कॉन्टेक्स्ट (Context) और विज़न इनपुट (Vision Input) — इमेज/वीडियो — सपोर्ट करते हैं, और Cloudflare के एज जीपीयू (Edge GPU) पर चलते हैं। INDEPENDENT EVIDENCE: The Register ने 2026-10-01 को इस रिलीज़ को कवर किया (प्रकाशन 2026-10-01 21:39 UTC), दावों का सार दिया और यह बताया कि ट्रेनिंग डेटासेट (Training Dataset) सार्वजनिक नहीं हैं (Cloudflare ने पुष्टि की कि डेटासेट सार्वजनिक नहीं हैं)। (द्वितीयक/स्वतंत्र: Register लेख।)

• Story ID: S34
• शीर्षक: Cloudflare ने सीमित संरचित एजेंट निर्णयों के लिए Clef और Clef-flash डिसीजन मॉडल (Decision Model) ओपन-सोर्स किए
• संगठन: Cloudflare
• श्रेणी: स्मॉल मॉडल (Small Models) / एज एआई (Edge AI) / डेवलपर टूल्स (Developer Tools)
• इवेंट तिथि (Event Date): 2026-10-01 (घोषणा 2026-10-01; चेंजलॉग (Changelog) 2026-10-01; Hugging Face रिलीज़/घोषणा संदर्भ 2026-10-01; रिपोर्टिंग में 2026-10-02 भी शामिल)
• घोषणा तिथि (Announcement Date): 2026-10-01
• चेंजलॉग तिथि (Changelog Date): 2026-10-01
• लेख तिथियां (Article Dates): 2026-10-01, 2026-10-02
• साक्ष्य स्थिति (Evidence Status): COMPANY CLAIM (Cloudflare के प्राथमिक दावे; स्वतंत्र रिपोर्टिंग मौजूद है, लेकिन आंतरिक बेंचमार्क (Benchmark) का कोई प्रकाशित थर्ड-पार्टी रिप्लिकेशन (Third-party Replication) नहीं है)
• विश्वास स्तर (Confidence): Medium
• महत्व (Importance): 6
• तकनीकी प्रभाव (Technical Impact): 7
• एंटरप्राइज़ प्रभाव (Enterprise Impact): 6
• डेवलपर प्रभाव (Developer Impact): 8
• रणनीतिक प्रभाव (Strategic Impact): 6
• कंटेंट संभावना (Content Potential): 8
• ट्रेनिंग संभावना (Training Potential): 9
• कंसल्टिंग संभावना (Consulting Potential): 8

साक्ष्य अनुशासन (Evidence Discipline): पूरे दस्तावेज़ में FACT / COMPANY CLAIM / INDEPENDENT EVIDENCE / INTERPRETATION / PREDICTION का उपयोग किया गया है।

COMPANY CLAIM: Cloudflare ने Workers AI और Hugging Face में दो Apache 2.0 ओपन-वेट डिसीजन मॉडल (Decision Model) जोड़े — Clef 27B और Clef-flash 9B। इन्हें SystemOne/Jev-संगत (Compatible) डिसीजन मॉडल के रूप में पेश किया गया है, जो एक ही फ़ॉरवर्ड पास (Forward Pass) में संरचित आउटपुट (Structured Output) — हर विकल्प पर प्रोबेबिलिटी/कॉन्फिडेंस (Probability/Confidence) — देते हैं, साथ में विज़न सपोर्ट (Vision Support) और 64k कॉन्टेक्स्ट (Context) है। INDEPENDENT EVIDENCE (रिपोर्टिंग): Register ने लॉन्च की रिपोर्ट की, जिसमें क़ीमत/होस्टिंग (Cost/Hosting) का ब्यौरा शामिल है, और यह भी नोट किया कि ट्रेनिंग डेटा सार्वजनिक नहीं है।

डिस्कवरी (Discovery) का "what_changed" प्राथमिक घोषणाओं से मेल खाता है। (FACT/CORROBORATED)

पहले (Before): एजेंट फ़्लो (Agent Flow) आम तौर पर रूटिंग/गेटिंग/वैलिडेशन/ट्रायाज (Routing/Gating/Validation/Triage) के लिए जनरल एलएलएम (General LLM) का इस्तेमाल करते थे, जो मुक्त-रूप टेक्स्ट बनाते थे — उसे पार्स करना पड़ता था और रोज़मर्रा के निर्णयों पर अक्सर रीज़निंग/टोकन (Reasoning/Token) का अतिरिक्त खर्च आता था। Jev जैसे डिसीजन मॉडल विकल्प के रूप में मौजूद थे, लेकिन इस वेंडर परिदृश्य में स्वतंत्र ओपन-वेट मल्टीमॉडल (Multimodal) विकल्प उस तरह का नहीं था।

बदलाव (Change): Cloudflare ने Clef (27B) और Clef-flash (9B) को ओपन-वेट डिसीजन मॉडल (Open-weight Decision Model) के रूप में जारी किया (Apache 2.0), जो स्टेट (State) और टाइप्ड क्वेश्चन स्कीमा (Typed Question Schema) लेते हैं और प्रोबेबिलिटी/कॉन्फिडेंस के साथ संरचित निर्णय (noul/choice/score) लौटाते हैं; 64k कॉन्टेक्स्ट और विज़न (इमेज/वीडियो) सपोर्ट करते हैं; Workers AI (एज जीपीयू) पर होस्टेड हैं। Clef के लिए आरएल फाइन-ट्यूनिंग (RL Fine-tuning) सेवा भी शुरू की गई।

बाद में (After): डेवलपर रिक्वेस्ट पाथ (Request Path) यानी हॉट पाथ (Hot Path) में रूटिंग/ट्रायाज/गार्डरेल्स (Routing/Triage/Guardrails) के लिए संरचित डिसीजन मॉडल इस्तेमाल कर सकते हैं, और सीमित निर्णयों के लिए पूरी एलएलएम जनरेशन से बच सकते हैं। ये मॉडल Jev/SystemOne एपीआई (API) के साथ संगत हैं और लोकल रूप से (काफ़ी वीरैम, VRAM के साथ) या Workers AI के ज़रिए उपलब्ध हैं। यह एजेंट लूप (Agent Loop) को डिसीजन मॉडल बनाम एक्शन/एक्ज़ीक्यूशन एलएलएम (Action/Execution LLM) में बांटने की दिशा में एक बदलाव है। (INTERPRETATION)

FACT (HF मॉडल कार्ड्स से): Clef को Qwen/Qwen3.8-27B (मल्टीमॉडल) से पोस्ट-ट्रेंड (Post-trained) किया गया है, साथ में जॉइंट स्कीमा हेड (Joint Schema Head) है; Clef-flash को Qwen/Qwen3.5-9B से। आर्किटेक्चर (Architecture): बैकबोन (Backbone) — जिसमें विज़न एनकोडर (Vision Encoder) शामिल है — और एक जॉइंट स्कीमा ट्रांसफ़ॉर्मर हेड (Joint Schema Transformer Head), जो स्टेट से साक्ष्य को हर सवाल तक रूट करता है और सभी विकल्पों को एक साथ स्कोर करता है। आउटपुट हर सवाल के लिए हर अनुमत विकल्प पर एक लॉजिट (Logit) होता है; हर सवाल पर सॉफ़्टमैक्स (Softmax) से प्रोबेबिलिटी मिलती है। कोई मुक्त-रूप जनरेशन/पार्सिंग नहीं होती। COMPANY CLAIM: इनपुट स्कीमा: state (टेक्स्ट/JSON), वैकल्पिक images/videos, media_kwargs, और questions मैपिंग (Mapping), जिसमें टाइप noul (सही/ग़लत), choice (मानदंडों के साथ नामित विकल्प), score (क्रमबद्ध रूब्रिक, Rubric) होते हैं। encode_record में max_length (डिफ़ॉल्ट 16384) और max_state_tokens सपोर्टेड हैं। जवाबों के लिए SystemOne/Jev-संगत एपीआई (API) शेप (Shape)। COMPANY CLAIM: विज़न सपोर्टेड (PIL इमेज, वीडियो फ़्रेम); मल्टीमॉडल रिकॉर्ड मिक्स किए जा सकते हैं। कॉन्टेक्स्ट सपोर्ट 64k (जैसा बताया गया)। INDEPENDENT EVIDENCE: Register मल्टीमोडैलिटी (Multimodality), 64k कॉन्टेक्स्ट और एपीआई संगतता (API Compatibility) की पुष्टि करता है। (FACT/CORROBORATED)

INTERPRETATION (पुष्टि-सहित): एजेंट लूप को इस तरह बांटना कि रूटीन रूटिंग/गेटिंग/वैलिडेशन के लिए बड़े एलएलएम (Large LLM) की ज़रूरत न पड़े, आर्किटेक्चर के स्तर पर क़ीमत/लेटेंसी/विश्वसनीयता (Cost/Latency/Reliability) का बदलाव है। डिसीजन मॉडल को एज जीपीयू (Workers AI) पर ले जाने से नेटवर्क राउंड-ट्रिप (Network Round-trip) घटते हैं और यह हॉट-पाथ निर्णयों के लिए उपयुक्त है। ओपन वेट्स (Apache 2.0) लोकल डिप्लॉयमेंट (Local Deployment) और ऑडिटिंग (Auditing) की सुविधा देते हैं, हालांकि ट्रेनिंग डेटा सार्वजनिक नहीं है। यह एसएलएम (SLM)/एज-एआई (Edge AI) डिप्लॉयमेंट का एक ठोस पैटर्न है, सिर्फ़ बेंचमार्क का दिखावा नहीं। (डिस्कवरी के why_it_matters से मेल खाता है)

PREDICTION (उचित):

• रिक्वेस्ट पाथ में ms लेटेंसी के साथ टिकट/अलर्ट रूट करना (हॉट-पाथ गेटिंग/ट्रायाज)
• प्रोबेबिलिटी और कॉन्फिडेंस के साथ संरचित पॉलिसी जांच (ट्रस्ट/सेफ़्टी)
• डिसीजन फ़्लो में विज़ुअल क्लासिफ़िकेशन (रसीद/यूएक्स जांच)
• संवेदनशील/कम-लेटेंसी उपयोग मामलों के लिए लोकल/ऑफ़लाइन या एज एक्ज़ीक्यूशन
• मुक्त-रूप की तुलना में निर्णयों को जांचना/मॉनिटर करना आसान (संरचित आउटपुट) जोखिम/सीमाएं लागू हैं (नीचे देखें)। (INTERPRETATION)

FACTS/CLAIMS:

• मॉडल साइज़: Clef 27B (बैकबोन Qwen3.8-27B मल्टीमॉडल), Clef-flash 9B (Qwen3.5-9B)। NOTE: नाम में दिए गए साइज़ पैरामीटर काउंट (Parameter Count) हैं; HF कार्ड्स इन्हें 27B/9B मॉडल बताते हैं — इन्हें बताए गए मॉडल साइज़ के रूप में लें। आर्किटेक्चर फ़्रोज़न बैकबोन (Frozen Backbone) + जॉइंट स्कीमा हेड है।
• लाइसेंस: वेट्स के लिए Apache 2.0 (HF पर लाइसेंस apache-2.0 लिखा है; रेपो फ़ाइलों में LICENSE मौजूद है)। COMPANY CLARIFICATION (रिपोर्टेड): ट्रेनिंग डेटासेट सार्वजनिक नहीं हैं (Register ने Cloudflare की पुष्टि का हवाला दिया)। अंतर: वेट्स/कोड (Apache 2.0) बनाम ट्रेनिंग डेटा (सार्वजनिक नहीं)।
• कॉन्टेक्स्ट: दोनों मॉडलों के लिए 64k टोकन (Token) (चेंजलॉग/HF डॉक्स में बताया गया)।
• मल्टीमोडैलिटी: विज़न एनकोडर मौजूद; इमेज और वीडियो सपोर्ट करता है (PIL इमेज, फ़्रेम ऐरे), media_kwargs।
• आउटपुट फ़ॉर्मेट: संरचित (noul/choice/score), हर सवाल पर प्रोबेबिलिटी/कॉन्फिडेंस के साथ; कोई मुक्त-रूप जनरेशन नहीं।
• एपीआई संगतता (API Compatibility): SystemOne/Jev संगत।
• डिप्लॉयमेंट (Deployment): Workers AI (एज जीपीयू) या लोकल (HF वेट्स)। लोकल वीरैम (VRAM) (रिपोर्टेड): Clef-flash को >=41 GB वीरैम चाहिए, Clef को 64k कॉन्टेक्स्ट/सिंगल कॉन्करेंसी (Single Concurrency) के लिए >=85 GB वीरैम चाहिए।
• लेटेंसी (Cloudflare आंतरिक): Clef मीडियन (Median) 209.3 ms, p95 238.6 ms (चेंजलॉग टेबल से); Clef-flash मीडियन 38.8 ms, p95 122.4 ms। IMPORTANT: डिस्कवरी में कहा गया था “Clef के लिए 209.3 ms की मीडियन लेटेंसी और Clef-flash के लिए 122.4 ms का p95।” चेंजलॉग टेबल दिखाती है कि Clef-flash का p95 122.4 ms है और Clef का मीडियन 209.3 ms है (मॉडलों के बीच अलग-अलग पर्सेंटाइल, Percentile)। डिस्कवरी टेक्स्ट में यह एप्पल्स-टू-ऑरेंजेज़ (Apples-to-oranges) जोड़ी बनती है; चेंजलॉग पूरा जोड़ा देता है (हर मॉडल के लिए मीडियन/p95)। FACT (चेंजलॉग): मीडियन: Clef 209.3 ms, Clef-flash 38.8 ms; p95: Clef 238.6 ms, Clef-flash 122.4 ms।
• बेंचमार्क (Benchmark): Cloudflare के अनुसार Clef/flash, Decision Index 0.2.1 पर Jev और दूसरों की तुलना में मज़बूत हैं; Register ने नोट किया कि नतीजे ख़ुद रिपोर्ट किए गए हैं और रिपोर्टिंग के समय आधिकारिक लीडरबोर्ड (Leaderboard) पर दोबारा नहीं बनाए गए थे। LIMITATION: लेटेंसी/क्षमता बेंचमार्क का स्वतंत्र थर्ड-पार्टी रिप्लिकेशन लिए गए स्रोतों में स्पष्ट नहीं है।
• कैलिब्रेशन/एब्स्टेंशन (Calibration/Abstention): आउटपुट हर सवाल पर प्रोबेबिलिटीज़ (सॉफ़्टमैक्स) और एपीआई के अनुसार choice/score के लिए कॉन्फिडेंस फ़ील्ड्स (Confidence Fields) हैं। HF डॉक्स हर विकल्प पर प्रोबेबिलिटी लौटाने की बात करते हैं; लिए गए टेक्स्ट में संरचित आउटपुट के अलावा कोई स्पष्ट एब्स्टेंशन मेकैनिज़्म (Abstention Mechanism) दर्ज नहीं है। (COMPANY CLAIM; स्वतंत्र वैलिडेशन चाहिए।)

INTERPRETATION: अगर Jev/SystemOne इस्तेमाल हो रहा है तो ड्रॉप-इन (Drop-in) आसान है; संरचित आउटपुट पार्सिंग एरर (Parsing Error) घटाते हैं। मल्टीमोडैलिटी विज़ुअल निर्णय के मामले खोलती है। लोकल डिप्लॉयमेंट संभव है, लेकिन बहुत ज़्यादा वीरैम चाहिए (पूरे Clef के लिए 85GB)। Workers AI के ज़रिए एज डिप्लॉयमेंट कम-लेटेंसी रास्ता देता है। आरएल फाइन-ट्यूनिंग (RL Fine-tuning) सेवा उपलब्ध है (पार्टनर प्रोग्राम, Partner Program)। क़ीमत: Workers AI की प्राइसिंग (Pricing) Clef के लिए $0.24/M टोकन बताई गई है (Register के अनुसार Jev के $0.042/M का लगभग ~6x) — क्षमता (मल्टीमॉडल, ओपन वेट्स, लोकल विकल्प) और क़ीमत के बीच समझौता। (COMPANY CLAIM + रिपोर्टेड)

INTERPRETATION: संरचित डिसीजन मॉडल प्रोडक्शन में गार्डरेल्स, रूटिंग और ट्रायाज के लिए फ़िट बैठते हैं, और ऑब्ज़र्वेबिलिटी (Observability) ज़्यादा साफ़ रहती है। Apache 2.0 वेट्स डेटा कंट्रोल के लिए ऑन-प्रेम/सेल्फ-होस्टिंग (On-prem/Self-hosting) की अनुमति देते हैं (हालांकि ट्रेनिंग डेटा सार्वजनिक नहीं है)। एज डिप्लॉयमेंट लेटेंसी और एग्रेस (Egress) से जुड़ी बातें कम कर सकता है। आंतरिक पॉलिसी/रूब्रिक के ख़िलाफ़ मूल्यांकन स्कीमा के ज़रिए स्पष्ट होता है। मुख्य बाधाएं: कंप्यूट (लोकल वीरैम), बेंचमार्क वैलिडेशन अब भी आंतरिक, और होस्टेड इस्तेमाल करने पर क़ीमत।

INTERPRETATION: Cloudflare ख़ुद को डिसीजन मॉडल/एज एआई टूलिंग में स्थापित कर रहा है, और Jev से मुक़ाबला करते हुए ओपन वेट्स + मल्टीमोडैलिटी + एज डिप्लॉयमेंट पेश करता है। यह सिर्फ़ एलएलएम स्केल की बजाय आर्किटेक्चर (लूप को बांटना) पर ज़ोर देता है। यह आरएल फाइन-ट्यूनिंग प्लेटफ़ॉर्म में निवेश का संकेत भी देता है। यह "स्मॉल मॉडल/एज एआई/डेवलपर टूल्स" की पोज़िशनिंग से मेल खाता है। (COMPANY STRATEGIC CLAIM; स्वतंत्र पुष्टि सिर्फ़ रिपोर्टिंग तक सीमित है)

• बेंचमार्क की वैधता (INDEPENDENT LIMITATION): लेटेंसी और तुलनात्मक बेंचमार्क दावे Cloudflare के अपने हैं; कोई स्वतंत्र रिप्लिकेशन स्पष्ट नहीं है। अगर तुलना समान-से-समान (like-for-like) न हो तो अलग-अलग पर्सेंटाइल (मीडियन बनाम p95) की तुलना भ्रम पैदा कर सकती है।
• ट्रेनिंग डेटा की अस्पष्टता (FACT): वेट्स खुले हैं (Apache 2.0) लेकिन ट्रेनिंग डेटासेट सार्वजनिक नहीं हैं (Register)। इससे पूरी रिप्रोड्यूसिबिलिटी (Reproducibility)/ऑडिट सीमित होती है।
• कंप्यूट आवश्यकताएं (FACT): लोकल डिप्लॉयमेंट के लिए बहुत ज़्यादा वीरैम चाहिए (Clef के लिए >=85GB) — इससे बहुत सारी डेवलपर मशीनें बाहर हो जाती हैं।
• क़ीमत (रिपोर्टेड): होस्टेड Clef, Jev से महंगा है; लागत-लाभ (Cost-benefit) उपयोग मामले पर निर्भर है।
• कैलिब्रेशन/एब्स्टेंशन अस्पष्ट (LIMITATION): लिए गए सामग्री में कैलिब्रेशन/एब्स्टेंशन व्यवहार दर्ज नहीं है; संरचित प्रोबेबिलिटीज़ मौजूद हैं, लेकिन डिस्ट्रीब्यूशन शिफ़्ट (Distribution Shift) के तहत विश्वसनीयता स्वतंत्र रूप से वैलिडेटेड नहीं है।
• एप्पल्स-टू-ऑरेंजेज़ लेटेंसी जोड़ी (CORRECTION): डिस्कवरी टेक्स्ट ने Clef के मीडियन को Clef-flash के p95 के साथ जोड़ दिया — चेंजलॉग हर मॉडल के मीडियन/p95 को स्पष्ट करता है; सही ढंग से पेश करना ज़रूरी है।

• कोई स्वतंत्र बेंचमार्क नहीं (INDEPENDENT EVIDENCE/LIMITATION): Register की रिपोर्टिंग के अलावा, लिए गए स्रोतों में कोई थर्ड-पार्टी बेंचमार्क रिप्लिकेशन या स्वतंत्र टेस्ट के साथ डेवलपर टिप्पणी नहीं मिली। परफ़ॉर्मेंस का पूरा मामला काफ़ी हद तक Cloudflare के आंकड़ों पर टिका है।
• ग़ैर-अंग्रेज़ी/असत्यापनीय पहलू लागू नहीं (N/A): स्रोत अंग्रेज़ी और प्रामाणिक हैं (Cloudflare, HF, Register)।
• विज़न/मल्टीमोडैलिटी परफ़ॉर्मेंस स्वतंत्र रूप से वैलिडेटेड नहीं है।
• दीर्घकालिक इकोसिस्टम/अपनाना (Adoption) अज्ञात है।

1. क्या Decision Index/लेटेंसी के आंकड़ों के स्वतंत्र रिप्रोडक्शन (Reproduction) हैं?
2. कैलिब्रेशन के गुण क्या हैं और अनिश्चितता (Uncertainty) में एब्स्टेंशन व्यवहार क्या है?
3. सिंथेटिक बेंचमार्क से आगे असली प्रोडक्शन वर्कलोड (Production Workload) पर Clef मॉडल Jev की तुलना में कैसा व्यवहार करते हैं?
4. किसी भी मूल्यांकन/टेस्ट डेटा का दायरा/लाइसेंसिंग क्या है? (डेटासेट सार्वजनिक नहीं हैं)
5. बताए गए लेटेंसी आंकड़े ठीक किस हार्डवेयर/कॉन्फ़िग (Hardware/Config) से बने (कॉन्टेक्स्ट साइज़, बैच, पेलोड)?

प्रभाव (Impact): सीधे उपभोक्ता/यूज़र अनुभव में कम-से-मध्यम बदलाव; मुख्य असर डेवलपर टूलिंग/आर्किटेक्चर पर। सुझाया गया कार्य (Recommended Action): स्वतंत्र बेंचमार्क पर नज़र रखें; जहां पार्सिंग ओवरहेड (Parsing Overhead) मायने रखता है वहां संरचित डिसीजन पैटर्न (Structured Decision Pattern) आज़माएं। बिना सत्यापन बेंचमार्क बराबरी न मान लें।

प्रभाव (Impact): प्लेटफ़ॉर्म/इंटीग्रेशन पैटर्न (Platform/Integration Pattern) पर संभावित असर (एज एआई, Workers AI इकोसिस्टम)। सुझाया गया कार्य (Recommended Action): रूटिंग/ट्रायाज/गार्डरेल्स के लिए मूल्यांकन करें जहां एज लेटेंसी मदद करती है; वीरैम/क़ीमत के समझौतों को आंकें।

प्रभाव (Impact): इकोसिस्टम/प्रतिस्पर्धा का संकेत (ओपन-वेट डिसीजन मॉडल, मल्टीमोडैलिटी)। सुझाया गया कार्य (Recommended Action): अपनाने (Adoption) और थर्ड-पार्टी वैलिडेशन पर नज़र रखें; मूल्यांकन/ऑब्ज़र्वेबिलिटी टूलिंग पर पड़ने वाले असर पर विचार करें।

• हॉट-पाथ डिसीजनिंग (Hot-path Decisioning), जो ज़्यादा वॉल्यूम वाली रूटिंग में एलएलएम कॉल/क़ीमत घटाती है
• एज एक्ज़ीक्यूशन, जो यूज़र-फ़ेसिंग निर्णयों की लेटेंसी घटाता है
• संरचित आउटपुट के ज़रिए ज़्यादा साफ़ इवैल/ऑब्ज़र्वेबिलिटी (Eval/Observability)
• अनुपालन/डेटा कंट्रोल के लिए लोकल डिप्लॉयमेंट (ट्रेनिंग-डेटा की चेतावनी के साथ)

VERIFY (लैब टाइप चुना गया): मुख्य दावे सत्यापित करें: पैरामीटर काउंट/बैकबोन (27B/9B, Qwen से), Apache 2.0 वेट्स (LICENSE मौजूद), 64k कॉन्टेक्स्ट और विज़न सपोर्ट, SystemOne/Jev एपीआई शेप, और चेंजलॉग/HF के सामने लेटेंसी पेयरिंग (Latency Pairing) का सुधार। भारी BUILD की ज़रूरत नहीं; सत्यापन उपयुक्त है। देखें labs/S34.md.

PREDICTION:

• स्वतंत्र शोधकर्ता Decision Index/HF पर बेंचमार्क टेस्ट/रिप्रोड्यूस कर सकते हैं
• डेवलपर असली वर्कलोड पर Clef बनाम Jev की तुलना करेंगे (क़ीमत + लेटेंसी + सटीकता)
• एज/एजेंट गार्डरेल्स उपयोग मामलों में अपनाना (Adoption) संभावित है
• आरएल फाइन-ट्यूनिंग पार्टनर प्रोग्राम से डोमेन-विशिष्ट वेरिएंट (Domain-specific Variant) निकल सकते हैं

Cloudflare के Clef/Clef-flash ओपन-वेट, मल्टीमॉडल डिसीजन मॉडल को Jev संगतता और संरचित आउटपुट के साथ एज तक लाते हैं — एजेंट लूप को बांटने की दिशा में एक आर्किटेक्चरल क़दम। लेकिन परफ़ॉर्मेंस का पूरा किस्सा काफ़ी हद तक Cloudflare के आंतरिक बेंचमार्क पर टिका है (शुरुआती सारांशों में लेटेंसी की एप्पल्स-टू-ऑरेंजेज़ जोड़ी के साथ), ट्रेनिंग डेटा ग़ैर-सार्वजनिक बना हुआ है, और लोकल डिप्लॉयमेंट में बहुत ज़्यादा वीरैम चाहिए। असली मूल्य आर्किटेक्चरल है (डिसीजन मॉडल के ज़रिए क़ीमत/लेटेंसी/विश्वसनीयता), कच्चे बेंचमार्क प्रभुत्व में नहीं; स्वतंत्र वैलिडेशन ही मुख्य खुला सवाल बना हुआ है। (INTERPRETATION)