※本記事は一次情報をもとにAI支援によって構成・作成し、事実関係の照合を行っています。
発表内容（事実）
Cloudflareは、状態（state）と型付き質問のスキーマを入力として意思決定を行う30B-A3BのMixture-of-Experts（専門家混合）マルチモーダルモデル「Clef-Omni」を発表しました。テキスト、JSON、画像、音声、動画を読み込み、1回のフォワードパスで質問の許可されたすべての選択肢に対する確率を出力します。自由記述によるテキスト生成や出力パースは行いません。
Clef-OmniのAPIはJevおよびSystemOneと互換性を持ちます。ベースモデルにはQwen/Qwen3-Omni-30B-A3B-Instructのシンカー（ビジョンおよびオーディオエンコーダーを含む）が使用されており、音声出力用の重みは変更されずに含まれていますがロードされません。
ライセンスはApache-2.0です。
この記事のポイント
- マルチモーダル対応の意思決定モデル: テキスト、JSON、画像、音声、動画を入力データとして処理可能です。
- 自由記述なしの確率出力: 1回のフォワードパスで各質問の選択肢に対する確率を直接出力し、テキスト生成を行いません。
- Qwenベースのバックボーン: Qwen/Qwen3-Omni-30B-A3B-Instructをベースにポストトレーニングが行われています。
- JevおよびSystemOneとの互換性: 対応するAPIリクエストボディを入力して同じレスポンスを取得できます。
考察（筆者の見解）
事実
Clef-Omniは、状態の入力に対して自由なテキスト生成を行わず、ジョイントスキーマヘッドを介して各選択肢のロジットおよび確率を算出する構造を採用しています。また、画像、音声、動画の各メディア入力を処理するためのプロセッサーやエンコーダーを備え、バッチ処理にも対応しています。
推測
テキスト生成を行わないアプローチを採用していることから、LLM特有のハルシネーションや出力形式の揺れを抑制し、システム連携や自動化の判断プロセスにおいて高い予測安定性を発揮する可能性があります。また、音声や動画を直接交えた判断を求められるユースケースでの活用が見込まれます。
意見
筆者は、大規模言語モデルをそのままテキスト生成として使うのではなく、構造化された意思決定タスクに特化させて確率値として出力させるこの設計は、実務上の信頼性が求められるシステム開発において有効な選択肢になると考えます。
コメント