Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
fragen-fundeohne Datum · Q004829

Hugging Face

huggingface.co · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt Cloudflares Clef vor: ein multimodales Modell, das Zustände anhand vorgegebener Fragen und Antwortoptionen bewertet und Wahrscheinlichkeiten statt freier Texte ausgibt. Die Benchmark-Ergebnisse fallen gemischt aus: Clef, Clef-Flash und Jev führen jeweils bei unterschiedlichen Aufgaben; die Tabellen dokumentieren die angegebenen internen und workflowbezogenen Tests, nicht eine allgemeine Überlegenheit.

Mittel

Der Bericht beschreibt Clef als Cloudflares multimodales Entscheidungsmodell mit 27 Milliarden Parametern. Es nimmt Text oder JSON sowie optional Bilder und Videos entgegen und bewertet für mehrere vorgegebene Fragen jeweils zulässige Antwortoptionen. Laut Modellbeschreibung erzeugt es keine freien Textantworten, sondern Wahrscheinlichkeiten für Optionen. Die API sei mit Jev und SystemOne kompatibel; als Basis nennt der Bericht Qwen3.8-27B samt Bildencoder und einen zusätzlichen Schema-Kopf. Beschrieben werden Python-Nutzung und Bereitstellung über SGLang. Getestet worden sei mit PyTorch 2.11, Transformers 5.10.2 und einer H200-GPU; für Medieninputs werde Pillow benötigt. Die Veröffentlichung stehe unter Apache-2.0.

Die Ergebnistabellen zeigen kein durchgängiges Spitzenmodell: Clef, Clef-Flash und Jev liegen je nach Benchmark vorn. Clef erzielt etwa hohe Werte bei BANKING77, CLINC150+OOS und RAGTruth; Clef-Flash führt bei mehreren anderen Aufgaben sowie bei der p95-Latenz, während Jev in weiteren Benchmarks gewinnt. Die internen Decision-Index-Werte stammen laut Bericht aus Version 0.2.1. In zusätzlichen Geschäftsablauf-Evaluationen mit Konsens-Referenzlabels schneidet Clef bei zwei ausgewiesenen Kennzahlen am besten ab, während bei anderen Clef-Flash oder Jev führt. Die Angaben beschreiben die aufgeführten Tests; der Bericht belegt damit keine allgemeine Überlegenheit außerhalb dieser Bedingungen.

Ausführlich lesen

Der Bericht stellt Clef als ein von Cloudflare veröffentlichtes multimodales Entscheidungsmodell mit 27 Milliarden Parametern vor. Laut Beschreibung verarbeitet es einen Zustand – etwa Text, JSON, Bilder oder Video – zusammen mit einem Schema aus Fragen und zulässigen Antworten. Es gibt für jede erlaubte Option einen Wert aus, aus dem sich je Frage Wahrscheinlichkeiten berechnen lassen. Das Modell soll Entscheidungen in einem gemeinsamen Durchlauf treffen; freie Textantworten und deren nachträgliches Auslesen seien nicht vorgesehen. Die API sei mit Jev und SystemOne kompatibel.

Als technische Grundlage nennt der Bericht Qwen3.8-27B samt Bildencoder und einen zusätzlichen gemeinsamen Schema-Kopf. Die Fragen können als Ja-Nein-Entscheidungen, Auswahl aus benannten Optionen oder geordnete Bewertungen formuliert werden. Der Bericht beschreibt Python-Beispiele für das Laden und Ausführen des Modells sowie den Betrieb über SGLang. Als getestete Umgebung werden PyTorch 2.11, Transformers 5.10.2 und eine einzelne H200-GPU genannt; für Bild- und Videoeingaben werde zusätzlich Pillow benötigt. Die Eingabelänge sei standardmäßig auf 16.384 Tokens begrenzt und könne über Parameter gesteuert werden. Text- und Medienfälle könnten gemeinsam gebündelt werden. Eine kleinere, schnellere Variante namens Clef-Flash wird ebenfalls erwähnt. Die Dateien stünden unter Apache-2.0-Lizenz.

Den größten Teil des Ergebnisteils bildet eine Benchmark-Tabelle für Clef, Clef-Flash und mehrere Vergleichsmodelle. Die Zahlen stammen laut Bericht aus einem internen Lauf der Decision-Index-Suite in Version 0.2.1. Clef erzielt dort in einigen Aufgaben hohe Werte, etwa bei BANKING77, CLINC150+OOS, BPoMP und RAGTruth. Clef-Flash liegt bei mehreren Benchmarks vorn, darunter ARC-Easy, WinoGrande und MMLU; Jev führt unter anderem bei GPQA Diamond, BBH und mehreren weiteren Aufgaben. Die Resultate sind also je nach Benchmark unterschiedlich. Auch bei der Latenz unterscheiden sich die Modelle: Clef-Flash weist in der Tabelle die niedrigste p95-Latenz auf, während Laya den niedrigsten Median erreicht. Bei ForecastBench gilt ein niedrigerer Brier-Wert als besser.

Zusätzlich zeigt der Bericht Ergebnisse für vier Geschäftsabläufe aus Typesafe Evals, bewertet anhand von Konsens-Referenzlabels und derselben Datensatzrevision und Fallgruppe. Clef erreicht dort die höchsten ausgewiesenen Werte bei den exakten Aktionen der Rechnungsverarbeitung und bei Sicherheitsvorfällen; bei Kundenservice liegt Clef-Flash knapp vorn, bei der Hauptaktion zur Agenten-Trace-Beobachtbarkeit Jev. Diese Tabellen sind die vom Bericht angegebenen Evaluationsergebnisse; sie belegen für sich genommen keine allgemeine Überlegenheit außerhalb der genannten Aufgaben und Bedingungen. Weitergehende Details zu unabhängiger Reproduktion oder zur Aussagekraft über diese Tests hinaus enthält der Text nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassungen sind überwiegend korrekt, enthalten aber eine falsche Zählung der Bestwerte bei den Geschäftsablauf-Evaluationen. Die Einordnungen stützen sich allein auf den Bericht; zu Unlearning, Verantwortung und Denkaufwand enthält er nichts.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Vergleichsmodelle Kev 9B, Laya und DiffusionGemma Jev werden in den Zusammenfassungen nicht genannt.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Angabe, Clef schneide bei zwei ausgewiesenen Kennzahlen der Geschäftsablauf-Evaluationen am besten ab, ist falsch: Der Bericht markiert Clef in drei Zeilen als Bestwert (Rechnungsverarbeitung zweimal, Sicherheitsvorfälle einmal).

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 46 %gleiches Oberthema, hilft nicht
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV offen
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra 45 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 49 %einzelne zitierbare Belege
    • JEV offen
    • amos 26 %einzelne zitierbare Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra 41 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 48 %umfangreiche Belege
    • JEV offen
    • amos 37 %einzelne zitierbare Belege
    • SubQ 29 %gleiches Oberthema, hilft nicht
    • drex 28 %einzelne zitierbare Belege
    • d3-ultra 24 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →