La respuesta breve
Un clasificador y un modelo de decisión pueden devolver ambos una etiqueta, pero llegan a ella de formas completamente distintas. Un clasificador aprende una correspondencia fija entre entradas y un conjunto de categorías durante el entrenamiento. Un modelo de decisión lee tu esquema en el momento de la petición y puntúa cada opción permitida de ese esquema.
La consecuencia práctica es el reentrenamiento. Cuando necesitas una categoría nueva, un clasificador requiere datos etiquetados frescos y otra ejecución de entrenamiento. Un modelo de decisión requiere un esquema distinto en el cuerpo de la petición. Esa única diferencia cambia por completo la rapidez con la que un equipo reacciona a un requisito nuevo.
La distinción tampoco va de precisión. Un clasificador bien entrenado puede ser muy preciso en las tareas para las que se creó. La pregunta es qué ocurre cuando la tarea cambia: si puedes modificar el comportamiento sin recopilar datos, reentrenar un modelo y volver a desplegarlo.
Qué hace en realidad un clasificador clásico
Un clasificador clásico recibe una entrada y devuelve una etiqueta de un conjunto que quedó fijado durante el entrenamiento. El espacio de etiquetas vive dentro de los pesos, así que añadir una categoría significa cambiar el modelo y no la petición.
También devuelve la confianza en una forma fácil de imprimir pero difícil de usar. Un único valor softmax te dice con cuánta fuerza el modelo prefirió su elección, no con qué probabilidad esa elección es correcta en el mundo real.
Este diseño es eficiente y bien conocido. Sus límites solo empiezan a importar cuando el problema cambia continuamente o cuando necesitas más de una decisión a partir de la misma entrada.
Qué hace un modelo de decisión en su lugar
Clef y Clef-Flash, los modelos de decisión de código abierto publicados por Cloudflare bajo la licencia Apache 2.0, siguen otro camino. Leen un estado —un ticket, un documento, un fotograma de vídeo— junto con un esquema de preguntas tipadas, y devuelven una probabilidad para cada opción permitida en una sola pasada.
Clef es el modelo de precisión de 27B y Clef-Flash es el modelo de latencia de 9B, entrenado a partir de Qwen3.5-9B. Ambos admiten un contexto de 64k tokens y ambos incluyen un codificador de visión, así que la misma interfaz maneja texto, JSON e imágenes.
Como el esquema forma parte de la petición, nada del modelo tiene que cambiar cuando cambian tus categorías. Envías un esquema nuevo y el espacio de respuestas se mueve con él.
Por qué el reentrenamiento es el coste real
El coste evidente de un clasificador es la computación para entrenarlo. El coste oculto es todo lo que lo rodea: recopilar ejemplos etiquetados, mantenerlos equilibrados, esperar a una ejecución de entrenamiento y validar que el modelo nuevo no ha empeorado en las categorías antiguas.
Cada uno de esos pasos consume personas y tiempo de calendario. Un equipo que publica una categoría de moderación nueva una vez al trimestre no está tomando una decisión técnica; está respondiendo a lo caro que se ha vuelto el cambio.
Un modelo de decisión traslada ese trabajo al esquema. Añadir una opción o una pregunta se convierte en un cambio de código, revisable como cualquier otro, que puede publicarse el mismo día.
Dónde la probabilidad cambia tu código
Una etiqueta rígida fuerza una decisión binaria en el límite del modelo. Una probabilidad te permite trasladar esa decisión a tu aplicación, donde puedes verla, registrarla y ajustarla.
Si un ticket de soporte puntúa 0,91 en facturación y 0,86 en escalado, puedes enrutar por el primero y marcar el segundo. Con una sola etiqueta habrías tenido que aceptar una respuesta y perder la tensión entre ambas.
Los umbrales también hacen que el sistema sea auditable. Puedes subir o bajar un corte sin tocar el modelo, y puedes explicar a un revisor exactamente por qué un caso se enrutó de una manera concreta.
Varias preguntas, una pasada
Un clasificador responde a una pregunta. Un modelo de decisión responde a tantas preguntas tipadas como pongas en el esquema, puntuándolas todas juntas a partir de la misma lectura del estado.
Esa pasada compartida importa para la coherencia. Cuando un modelo responde preguntas en secuencia, una respuesta posterior puede contradecir en silencio otra anterior. Cuando cada opción se puntúa a partir de una sola evaluación, las respuestas proceden de una única interpretación de la entrada.
También es más barato de operar que ejecutar varios clasificadores en paralelo, porque una sola petición sustituye a muchas.
Para un agente o un flujo de trabajo, esa pasada única también elimina un problema de coordinación. No hay que reconciliar las salidas de varios modelos ni decidir en cuál confiar cuando discrepan, porque la discrepancia ya viene expresada como una probabilidad dentro de una sola respuesta.
Cuándo un clasificador sigue siendo la herramienta adecuada
Nada de esto deja obsoletos a los clasificadores. Si tus categorías son de verdad fijas, tu volumen es enorme y tu presupuesto de latencia es minúsculo, un clasificador pequeño y específico puede ser la opción más eficiente disponible.
El modelo de decisión destaca cuando el espacio de respuestas cambia, cuando necesitas varias decisiones relacionadas a la vez o cuando necesitas probabilidades calibradas en lugar de una única etiqueta argmax.
La forma honesta de plantearlo es que ocupan puntos distintos en un compromiso. Un clasificador es estrecho y barato; un modelo de decisión es flexible y sigue siendo lo bastante rápido para trabajo interactivo.
Latencia, coste y despliegue
La velocidad suele ser la primera objeción. Clef-Flash se creó para rutas críticas en latencia: las cifras publicadas sitúan su latencia mediana en torno a 39 ms y su p95 cerca de 122 ms, con un precio de entrada reportado cercano a 0,09 dólares por millón de tokens.
Se ejecuta con unos 41 GB de VRAM en local, mientras que Clef necesita unos 85 GB, así que el modelo de latencia cabe con holgura en un único acelerador moderno. Ambos se distribuyen a través de Workers AI, Ollama, Hugging Face y OpenRouter.
Esa variedad de distribución significa que un equipo puede empezar en un endpoint alojado y después trasladar el mismo esquema a un despliegue local, o al revés, sin tocar la lógica de la aplicación.
Migrar sin reescribir
Si ya ejecutas un clasificador, la migración es más pequeña de lo que parece. Conserva las categorías que tienes, exprésalas como una pregunta de enumeración y añade las preguntas extra que siempre quisiste pero que no justificaban entrenar un segundo modelo.
Puedes ejecutar ambos sistemas en paralelo, comparar sus salidas sobre tráfico real y mover el umbral en lugar de accionar un interruptor. Como el modelo de decisión no necesita entrenamiento, no hay periodo de espera antes de poder evaluarlo.
Los equipos suelen mantener el clasificador como respaldo durante un tiempo y retirarlo cuando el enrutado basado en probabilidades demuestra ser mejor en los casos que importan.
Prueba las dos formas
La manera más clara de ver la diferencia es contrastar la misma entrada con ambas. El playground te permite escribir un estado, definir preguntas tipadas y leer la probabilidad de cada opción sin escribir antes ningún código.
A partir de ahí, la documentación de la API describe la forma de la petición y de la respuesta, y la página de precios explica cuánto cuesta una llamada alojada antes de comprometerte a nada.