Cloudflare เปิดตัวโมเดลการตัดสินใจแบบ Open-Weight 'Clef' และ 'Clef-Flash' บน Workers AI

สถาปัตยกรรม Prefill-Only: ก้าวข้ามคอขวดของการสร้างข้อความแบบเดิม

Cloudflare ประกาศเปิดตัวโมเดลประเภทใหม่สำหรับงานคัดแยกและตัดสินใจ (Decision Models) โดยปล่อยออกมาสองรุ่นย่อย ได้แก่ Clef ขนาด 27 พันล้านพารามิเตอร์ (27B) ซึ่งได้รับการฝึกฝนเพิ่มเติม (Post-trained) มาจาก Qwen/Qwen3.8-27B และ Clef-Flash ขนาด 9 พันล้านพารามิเตอร์ (9B) ที่พัฒนาต่อยอดจาก Qwen/Qwen3.5-9B โดยเปิดให้ใช้งานอย่างเป็นทางการภายใต้สัญญาอนุญาตแบบโอเพนซอร์ส Apache 2.0 ผ่านทาง Hugging Face รวมถึงบริการ Workers AI

ความแตกต่างสำคัญระหว่าง Clef กับโมเดลภาษาทั่วไป (Generative LLMs) คือการออกแบบให้ทำงานในลักษณะ Non-Generative อย่างแท้จริง โดยระบบจะทำการประมวลผลอินพุตแบบ Prefill-Only เพียงรอบเดียว และส่งต่อไปยัง Joint Transformer Schema Head เพื่อประเมินความน่าจะเป็นที่มีขอบเขตแน่นอน (Bounded Probabilities) โดยไม่มีการสร้างข้อความทีละโทเคน (Zero Output Tokens) ซึ่งแนวทางนี้ช่วยตัดปัญหาความหน่วงสะสมและการประมวลผลสตริง JSON ที่ผิดพลาดออกไปได้อย่างสิ้นเชิง

โมเดลทั้งสองรุ่นรองรับการประเมินคำถามเชิงโครงสร้างได้สูงสุด 64 คำถามต่อหนึ่งคำขอ (Request) ภายใต้โครงสร้างคำถาม 3 รูปแบบมาตรฐาน ได้แก่ 'noul' (การตอบคำถามแบบบูลีนหรือ Yes/No), 'choice' (การเลือกคำตอบจากชุดตัวเลือก), และ 'score' (การให้คะแนนความน่าจะเป็น) โดยสามารถประมวลผลข้อมูลมัลติโมดัลทั้งข้อความ, ไฟล์ JSON, รูปภาพ และวิดีโอ ภายในขนาดบริบท (Context Window) สูงสุดถึง 65,536 โทเคน

เปรียบเทียบต้นทุน ประสิทธิภาพ และการเข้าถึงระบบ

ในแง่ของความเร็วและค่าใช้จ่าย Cloudflare รายงานว่า Clef-Flash ทำเวลาตอบสนองระดับมัธยฐาน (Median Latency) ได้ที่ 38.8 มิลลิวินาที ซึ่งผู้ให้บริการระบุว่าเร็วกว่า Jev ของ TypeSafe AI ราว 13 เท่า ณ ค่ามัธยฐาน โดยมีอัตราค่าบริการบน Workers AI อยู่ที่ 0.09 ดอลลาร์สหรัฐต่อ 1 ล้านอินพุตโทเคน ส่วนรุ่นเรือธงอย่าง Clef 27B มีค่าความหน่วงมัธยฐานอยู่ที่ 209.3 มิลลิวินาที โดยมีอัตราค่าบริการอยู่ที่ 0.24 ดอลลาร์สหรัฐต่อ 1 ล้านอินพุตโทเคน

ระบบถูกออกแบบมาให้ทำงานทดแทนกันได้ทันที (Drop-in Compatible) กับ Jev / System One API ของ TypeSafe AI นอกจากนี้นักพัฒนายังสามารถเรียกใช้งานผ่าน Cloudflare Workers AI ภายใต้รหัสโมเดล '@cf/cloudflare/clef' และ '@cf/cloudflare/clef-flash', เรียกผ่าน REST API, บริหารจัดการผ่าน AI Gateway หรือเลือกดาวน์โหลดไฟล์น้ำหนักโมเดลเพื่อไปติดตั้งบนเซิร์ฟเวอร์ของตนเอง (Self-hosting) ได้อย่างอิสระ

เสียงสะท้อนจากนักพัฒนา: ความคุ้มค่าของ VRAM กับปัญหาการซ้อนทับของการตัดสินใจ

การเปิดตัวโมเดลดังกล่าวได้รับความสนใจอย่างมากในกลุ่มนักพัฒนาและวิศวกรโครงสร้างพื้นฐาน โดยเฉพาะการแก้ปัญหาเรื่องความเสถียรของสกีมา (Schema Parsing) และความรวดเร็วในการส่งต่อคำสั่ง (Fast Routing) โดยไม่ต้องรอให้แบบจำลองสร้างข้อความอธิบายที่ไม่จำเป็น อย่างไรก็ดี มีข้อสังเกตและข้อกังวลเกิดขึ้นในทางปฏิบัติเกี่ยวกับการจัดสรรทรัพยากรฮาร์ดแวร์

วิศวกรที่ดูแลระบบเซิร์ฟเวอร์ในศูนย์ข้อมูลและผู้ทดสอบรันโมเดลด้วยตนเองระบุว่า ขนาดพารามิเตอร์ระดับ 9B และ 27B นั้นกินหน่วยความจำการ์ดจอ (VRAM) มากพอสมควรสำหรับงานที่ทำหน้าที่เป็นเพียง 'เราเตอร์' หรือผู้คัดกรองข้อมูล เพราะในงานคัดแยกประเภททั่วไป โมเดลภาษาขนาดเล็ก (SLM) ขนาดต่ำกว่า 4B ก็มักถูกนำมาใช้งานในจุดนี้อยู่แล้ว การยอมสละ VRAM อันมีค่าเพื่อติดตั้ง Clef ควบคู่ไปกับโมเดลอนุมานหลักจึงเป็นประเด็นที่มีการถกเถียงเรื่องความคุ้มค่า

นอกจากนี้ ยังมีมุมมองเชิงเสียดสีปนขบขันในหมู่นักพัฒนาที่ตั้งชื่อปรากฏการณ์นี้ว่า 'Deciception' ซึ่งสะท้อนถึงการออกแบบสถาปัตยกรรมซอฟต์แวร์เอไอที่เริ่มมีความซับซ้อนเกินจำเป็น เช่น การสร้างโมเดลตัวหนึ่งขึ้นมาเพื่อตัดสินใจล่วงหน้าว่าคำถามของผู้ใช้นั้นมีความสำคัญมากพอที่จะส่งต่อไปให้โมเดลอีกตัวประมวลผลหรือไม่ ซึ่งอาจเพิ่มความยุ่งยากในการดูแลระบบหากไม่มีการวางกรอบการทำงานที่ชัดเจน

นัยสำคัญต่อภาคธุรกิจและองค์กรในประเทศไทย

สำหรับองค์กรในประเทศไทยที่กำลังเร่งพัฒนาระบบอัตโนมัติ (AI Agents) และระบบบริการลูกค้า โมเดลกลุ่ม Decision Models อย่าง Clef ชี้ให้เห็นถึงแนวทางการควบคุมต้นทุนที่จับต้องได้ โดยเฉพาะการคัดกรองคำขอบริการก่อนส่งต่อไปยังโมเดลขนาดใหญ่ที่มีราคาสูง เช่น การจัดหมวดหมู่เอกสารภาษาไทย, การตรวจสอบเจตนาของผู้ใช้งาน (Intent Classification) และการตรวจจับความปลอดภัยของข้อมูล

การที่ Cloudflare รองรับการประมวลผลอินพุตแบบมัลติโมดัลทั้งภาพและวิดีโอผ่านเครือข่าย Edge ช่วยให้ภาคธุรกิจสามารถนำไปประยุกต์ใช้กับระบบตรวจสอบสินค้า, การจัดการคลังพัสดุ หรือการประมวลผลเอกสารทางการเงินได้อย่างรวดเร็ว โดยไม่จำเป็นต้องลงทุนสร้างเซิร์ฟเวอร์ขนาดใหญ่ด้วยตนเอง หรือหากเป็นองค์กรที่มีข้อกำหนดด้านความเป็นส่วนตัวของข้อมูล (PDPA) ก็สามารถดาวน์โหลดน้ำหนักโมเดลมาปรับแต่งและรันภายในศูนย์ข้อมูลแบบ On-premise ของตนเองได้อย่างปลอดภัย

อย่างไรก็ตาม ข้อจำกัดที่ทีมวิศวกรในไทยต้องประเมินอย่างรอบคอบคือ การทดสอบความแม่นยำของคำถามเชิงโครงสร้างกับภาษาไทยบริบทเฉพาะทาง และการตัดสินใจว่าจะใช้บริการประมวลผลบนคลาวด์แบบ Serverless หรือจะจัดสรรทรัพยากร VRAM ภายในองค์กรเพื่อรองรับโมเดลขนาด 9B ขึ้นไปให้คุ้มค่ากับปริมาณคำขอใช้งานจริง