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 · Q004858

Hugging Face

huggingface.co · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt Clef-Flash als multimodales 9B-Entscheidungsmodell, das strukturierte Fragen zu Text-, JSON-, Bild- und Videoeingaben mit Wahrscheinlichkeiten für festgelegte Antworten bearbeitet. In den veröffentlichten Benchmarks erzielt es teils Spitzenwerte, liegt bei anderen Aufgaben aber hinter Clef oder Jev; auch die Workflow-Ergebnisse sind gemischt.

Mittel

Clef-Flash ist laut Bericht ein multimodales Cloudflare-Modell mit 9 Milliarden Parametern, das Zustände aus Text, JSON, Bildern oder Videos anhand vorgegebener Fragen klassifiziert. Es gibt Wahrscheinlichkeiten für erlaubte Optionen aus, statt freie Texte zu erzeugen. Die Dokumentation beschreibt Ja-Nein-, Auswahl- und Bewertungsfragen, Beispiele für lokale Nutzung sowie eine Jev/SystemOne-kompatible API und SGLang-Bereitstellung. Als getestet werden PyTorch 2.11 und Transformers 5.10.2 auf einer einzelnen H200-GPU genannt.

Die veröffentlichten Resultate zeigen ein gemischtes Bild: Clef-Flash führt im Decision Index bei mehreren Benchmarks, etwa API-Bank, dem Home-Appliance-Simulator und einigen Aufgaben der ARC-, WinoGrande- und HellaSwag-Suiten. Bei anderen Aufgaben schneiden Clef oder Jev besser ab. Die Latenz liegt laut Tabelle bei 38,8 ms im Median und 122,4 ms am 95. Perzentil. In den Workflow-Evaluationen ist Clef-Flash bei Kundenservice-Exaktaktionen knapp vorn, während Clef bei Rechnungsverarbeitung und Sicherheitsvorfällen besser abschneidet. Es handelt sich um berichtete interne Benchmarkwerte und Workflowvergleiche; der Bericht belegt keine allgemeine Überlegenheit für alle Einsatzfälle.

Ausführlich lesen

Der Bericht stellt Clef-Flash vor, ein von Cloudflare veröffentlichtes multimodales Entscheidungsmodell mit 9 Milliarden Parametern. Laut Beschreibung verarbeitet es einen Zustand als Text, JSON, Bild oder Video zusammen mit einem Schema aus typisierten Fragen. Für jede Frage bewertet es die vorgegebenen Antwortmöglichkeiten in einem gemeinsamen Modelllauf und gibt Wahrscheinlichkeiten aus. Freie Textantworten werden nicht generiert. Das Modell basiert auf Qwen3.5-9B samt Bildencoder und ergänzt diesen um einen gemeinsamen Schema-Kopf, der Informationen aus dem Zustand den Fragen zuordnet und Optionen bewertet. Die Wahrscheinlichkeiten entstehen durch eine Softmax-Auswertung je Frage.

Die Dokumentation beschreibt drei Fragetypen: Ja-Nein-Entscheidungen, Auswahl aus benannten Optionen und geordnete Bewertungsstufen. Zustände können durch optionale Bilder oder Videoframes ergänzt werden; Text- und Medienfälle lassen sich laut Bericht in einem Batch mischen. Angegeben werden außerdem eine mit Jev und SystemOne kompatible API, Beispielcode für die lokale Nutzung sowie ein Bereitstellungsweg mit SGLang. Als getestet nennt der Bericht PyTorch 2.11 und Transformers 5.10.2 auf einer einzelnen H200-GPU; für Bild- und Videoeingaben werde zusätzlich Pillow benötigt. Die Modellgewichte stehen dem Bericht zufolge im Safetensors-Format bereit, die Lizenz ist Apache-2.0.

Die Leistungsangaben stammen aus einer internen Ausführung der Decision-Index-Suite, Version 0.2.1, sowie aus Workflow-Evaluationen von Typesafe Evals. Im Decision Index liegt Clef-Flash laut Tabelle bei mehreren Aufgaben vorn, etwa API-Bank, Home-Appliance-Simulator, ARC-Easy und -Challenge, WinoGrande, HellaSwag, CLadder und Habermas Machine. In anderen Aufgaben sind Vergleichsmodelle besser: beispielsweise Clef bei BANKING77 und GSM8K sowie Jev bei ANLI, GPQA Diamond, MMLU-Pro, BBH und mehreren weiteren Benchmarks. Clef-Flash erreicht dort also kein durchgängig bestes Ergebnis. Die aufgeführten Latenzen betragen 38,8 ms im Median und 122,4 ms beim 95. Perzentil; laut Tabelle ist der Median damit nicht der niedrigste, das 95. Perzentil hingegen das niedrigste unter den aufgeführten Modellen.

In den Workflow-Evaluationen erzielt Clef-Flash bei Kundenservice-Aufgaben mit 77,0 Prozent die höchste Genauigkeit für exakte Aktionen unter den drei verglichenen Modellen. Bei Rechnungsverarbeitung und Sicherheitsvorfällen liegt es jeweils hinter Clef; bei der Beobachtbarkeit von Agentenspuren liegt Jev vorn. Der Bericht nennt gemeinsame Datensatzrevision und Fallauswahl, liefert hier aber keine weitergehenden Angaben zu Unsicherheiten oder unabhängiger Prüfung. Die Ergebnisse sind daher als berichtete Benchmarkwerte einzuordnen, nicht als allgemeiner Leistungsnachweis für jeden Einsatz.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung ist im Kern treu; die Einordnung bezieht sich nur auf die Fragen und den Bericht selbst, nicht auf Lunas angegebene Anteile.

Im Bericht, aber nicht in der Zusammenfassung

  • Clef-Flash ist per Feinabstimmung aus Qwen/Qwen3.5-9B entstanden
  • Veröffentlichung unter Apache-2.0-Lizenz
  • Clef-Flash ist die kleinere Variante gegenüber dem größeren Clef

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 21 %einzelne zitierbare Belege
    • JEV offen
    • amos 25 %Hintergrund, keine Belege
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht

    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 4 · 32 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  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 32 %Hintergrund, keine Belege
    • JEV offen
    • amos 24 %Hintergrund, keine Belege
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • 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 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %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 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 36 %einzelne zitierbare Belege
    • JEV offen
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %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 55 %einzelne zitierbare Belege
    • JEV offen
    • amos 25 %einzelne zitierbare Belege
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra 44 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 49 %umfangreiche Belege
    • JEV offen
    • amos 35 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 31 %einzelne zitierbare Belege
    • d3-ultra 23 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege
Frieden und Sicherheit
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 →