Las cifras principales
Cuando Clef-Flash se lanzó el 2026-10-01, las cifras que más circularon fueron la velocidad y el precio. Clef-Flash es un modelo de decisión de 9B de parámetros entrenado a partir de Qwen3.5-9B, y el rendimiento publicado sitúa su latencia mediana en torno a 39 ms con un p95 de unos 122 ms.
Junto a la latencia, el precio de entrada reportado ronda los 0,09 dólares por millón de tokens, y se dice que el modelo se ejecuta con unos 41 GB de VRAM en local. También se reporta que es más de diez veces más rápido que Jev en las mismas tareas de decisión.
Esas cifras describen cosas distintas —capacidad de respuesta, comportamiento de cola, coste y memoria— y leerlas como una única puntuación es donde empieza casi toda la confusión. Esta guía las separa.
Latencia: qué te dice cada percentil
La mediana, a veces escrita p50, es el valor central: la mitad de las peticiones terminan antes y la otra mitad después. Una mediana cercana a 39 ms en Clef-Flash significa que la decisión típica vuelve en bastante menos de una décima de segundo, lo bastante rápido para vivir dentro de una ruta de petición interactiva.
El p95 es el valor por debajo del cual caen el 95 por ciento de las peticiones. Un p95 reportado de unos 122 ms significa que una de cada veinte peticiones tarda más que eso. La latencia de cola es la que de verdad nota el usuario, así que el p95 suele ser la cifra más honesta para planificar capacidad.
Leer ambos juntos revela la forma de la distribución: una mediana baja con un p95 moderado sugiere respuestas constantemente rápidas con alguna ocasional más lenta, en lugar de un servicio bimodal que a veces es instantáneo y a veces lento.
La comparación con Jev
La afirmación publicada es que Clef-Flash es más de diez veces más rápido que Jev en las mismas tareas de decisión. Esa comparación solo tiene sentido cuando las tareas son las mismas, y por eso importa cómo está redactada.
Un múltiplo de velocidad no es una constante universal. Depende del esquema, del número de opciones por pregunta, de la longitud del estado y del hardware. Trata el múltiplo como una dirección y no como una promesa para tu carga de trabajo concreta.
Lo que sí establece la comparación es la intención: Clef-Flash se diseñó para decisiones críticas en latencia, no para el razonamiento más pesado, y su arquitectura y su tamaño reflejan esa prioridad.
Coste por millón de tokens de entrada
El precio de entrada reportado de unos 0,09 dólares por millón de tokens es la cifra que decide si una decisión alojada es lo bastante barata para ejecutarla en volumen. A ese ritmo, un millón de llamadas que consuman cien tokens de estado cada una costarían unos nueve dólares de entrada.
Esa aritmética es deliberadamente aproximada, porque el coste real depende de cuánto estado envías y cuántas preguntas haces. Una clasificación breve de tickets con una docena de opciones es mucho más barata que un documento largo puntuado contra un esquema amplio.
La costumbre útil es estimar contra tu propio tráfico y no contra un artículo de rendimiento. Toma los tokens medios por llamada, multiplícalos por tu volumen diario y compara el resultado con la alternativa que pagas ahora.
Memoria: 41 GB frente a 85 GB
Clef-Flash necesita unos 41 GB de VRAM para ejecutarse en local, mientras que Clef necesita alrededor de 85 GB. La diferencia es la consecuencia práctica de la diferencia de tamaño entre un modelo de 9B y uno de 27B, y cambia qué hardware resulta realista.
Unos 41 GB caben con holgura en un único acelerador de gran memoria y pueden encajarse en tarjetas de estación de trabajo bien equipadas con una cuantización cuidadosa. Unos 85 GB suelen implicar varias tarjetas o una máquina de clase centro de datos, que es un presupuesto totalmente distinto.
Por eso los equipos suelen empezar con Clef-Flash aunque tengan la intención de usar Clef en producción: el modelo pequeño permite prototipar toda la tubería en local antes de comprometerse a algo mayor.
Ventana de contexto y visión
Ambos modelos admiten un contexto de 64k tokens e incluyen un codificador de visión integrado, así que el estado puede ser texto largo, JSON, una imagen o incluso un fotograma de vídeo. Eso importa en el rendimiento porque la longitud de contexto que realmente usas es una de las mayores palancas sobre la latencia.
Una decisión que lee una etiqueta corta no es la misma carga de trabajo que una que lee un documento completo y una imagen adjunta. Las cifras publicadas describen el modelo, no cada posible petición que podrías enviarle.
Mantener el estado tan corto como la decisión permita es la forma más sencilla de quedarse cerca del extremo rápido de la distribución reportada.
Cómo leer un rendimiento con responsabilidad
Las cifras publicadas vienen de quienes construyeron el modelo, y las mediciones independientes pueden diferir. Eso es normal, y no es motivo para desconfiar de ninguna de las dos fuentes: es motivo para comprobar de dónde sale un número antes de planificar con él.
Fíjate en qué se midió: qué hardware, qué tareas, qué esquema y qué recuentos de tokens. Un rendimiento medido sobre entradas elegidas con cuidado puede ser exacto y aun así no representar un flujo de producción desordenado.
El rendimiento más útil es el que ejecutas tú mismo, con tus propios estados y tu propio esquema, y con el cliente que vas a desplegar de verdad. Trata las cifras del fabricante como el punto de partida de esa prueba, no como su sustituto.
Convertir el rendimiento en una estimación de carga
Empieza por las decisiones que ya tomas. Para cada una, anota cuánto estado lee, cuántas preguntas tipadas responde y cuántas opciones permite cada pregunta. Las opciones y las preguntas son las partes que hacen crecer el trabajo de puntuación.
Después mide en local o a través de la API alojada y compara el resultado con las cifras publicadas. Si tus números quedan cerca de la mediana y el p95 reportados, el rendimiento es representativo para ti. Si quedan lejos, has encontrado la variable que más importa.
Así es también como decides entre Clef-Flash y Clef. Si Clef-Flash cumple tu presupuesto de latencia con margen de sobra, rara vez hay motivo para pagar el coste del modelo mayor en esa decisión.
Reproducir las cifras tú mismo
El camino más rápido es Ollama, que sirve tanto clef-flash como clef como descargas. Ejecutar el modelo de 9B en local te permite cronometrar decisiones reales sin una red de por medio, lo que aísla el modelo del transporte.
Si el hardware local es la limitación, la API alojada devuelve la misma decisión estructurada sin el requisito de memoria, y el playground puede mostrar la forma de la salida antes de que escribas código de integración.
Cualquiera de las dos rutas te da las dos cifras que más importan en la práctica: cuánto tarda una decisión típica y cuánto tardan las lentas.
Lo que se mantiene estable cuando cambian los números
El rendimiento mejora y los precios cambian, pero la interfaz no. Una decisión es siempre un estado más un esquema de preguntas tipadas que devuelve una probabilidad por opción permitida, así que una aplicación escrita contra ese contrato queda aislada de la próxima ronda de noticias sobre rendimiento.
Elige el modelo por los números de hoy, pero diseña la integración alrededor del contrato. Cuando aparezca una versión más rápida o más barata, cambiar el modelo detrás del esquema será un cambio de configuración, no una reescritura.