Un modelo de decisión en una frase
Un modelo de decisión es un modelo de aprendizaje automático que lee un estado —la situación sobre la que debe razonar— junto con un esquema de preguntas tipadas, y devuelve una probabilidad para cada opción permitida en una sola pasada. No escribe prosa y no conversa. Puntúa.
Clef y Clef-Flash son ejemplos de código abierto de este diseño, publicados por Cloudflare bajo la licencia Apache 2.0. 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 integrado.
El resultado de una llamada es estructurado: para cada pregunta tipada que defines recibes una probabilidad por cada respuesta permitida. Esa estructura es lo que distingue a un modelo de decisión de un modelo de lenguaje general, y es la razón por la que el resultado puede consumirse desde código de aplicación normal.
Por qué la interfaz de chat estorba
Cuando le pides a un chatbot que decida algo, responde con frases. La probabilidad queda enterrada entre adjetivos, las opciones se insinúan en lugar de enumerarse, y la forma del resultado cambia cada vez que preguntas.
Los desarrolladores escriben entonces analizadores, expresiones regulares y heurísticas para recuperar una etiqueta o un número de ese texto. Cada arreglo es una suposición sobre lo que quiso decir el modelo, y cada suposición puede fallar de una forma difícil de detectar.
Un modelo de decisión elimina toda esa capa. Si tu esquema dice que la respuesta debe ser una de aprobado, rechazado o revisar, esas tres opciones son las únicas que el modelo puede devolver, cada una con su probabilidad.
La anatomía de una decisión
Toda decisión tiene tres partes. El estado es la materia prima: un ticket de soporte, un documento, un fotograma de vídeo o una fila de telemetría. El esquema es el conjunto de preguntas tipadas que quieres responder sobre ese estado. La salida es la probabilidad que el modelo asigna a cada opción permitida.
El estado puede ser texto, JSON o una imagen. Clef y Clef-Flash manejan los tres casos porque su codificador de visión forma parte del modelo base y no es un componente añadido que solo usan algunas tareas.
El esquema es donde ocurre la ingeniería. No estás haciendo una pregunta vaga a ver si llega una respuesta sensata; estás definiendo el espacio exacto de respuestas con el que el modelo tiene permiso para trabajar.
Qué son en realidad las preguntas tipadas
Una pregunta tipada restringe la respuesta. Una pregunta de enumeración enumera las etiquetas exactas entre las que el modelo puede elegir. Una pregunta booleana es una división en dos. Una pregunta de número acotado da al modelo un rango y espera un valor dentro de él.
Como las opciones están tipadas, el modelo nunca puede inventar una cuarta categoría ni devolver un número fuera del rango. Todo lo que no está en el esquema no es una decisión válida, y la interfaz lo deja explícito.
Esta restricción es una ventaja, no una limitación. Significa que los sistemas posteriores pueden confiar en la forma de la respuesta antes incluso de mirar las probabilidades, lo que simplifica muchísimo la validación.
Una pasada, todas las probabilidades
Un modelo de decisión puntúa todas las opciones permitidas a la vez en una única pasada hacia delante, en lugar de generar un token cada vez. Ese diseño mantiene baja la latencia y hace comparables las probabilidades, porque cada opción se puntúa sobre la misma evaluación del mismo estado.
Clef-Flash se creó para trabajo crítico en latencia. Las cifras publicadas sitúan su latencia mediana en torno a 39 ms y su p95 en unos 122 ms, con un precio de entrada reportado cercano a 0,09 dólares por millón de tokens. Clef apunta a una precisión mayor con un tamaño superior.
Como las opciones se puntúan juntas, el modelo también es coherente consigo mismo de una manera que un modelo que responde varias preguntas abiertas en secuencia no puede serlo, ya que una respuesta libre puede contradecir en silencio otra anterior.
Dónde encajan Clef y Clef-Flash en la familia
Clef es el modelo de precisión: 27B de parámetros, unos 85 GB de VRAM para ejecutarlo en local y la precisión superior que cabría esperar por su tamaño. Clef-Flash es el modelo de latencia: 9B de parámetros, unos 41 GB de VRAM y más de diez veces más rápido que Jev en las mismas tareas de decisión, según lo publicado.
Los dos comparten la misma interfaz, así que un esquema escrito para uno funciona en el otro. Puedes prototipar con Clef-Flash y escalar a Clef cuando una decisión concreta necesite más cuidado, sin reescribir la aplicación alrededor.
Ambos se publican bajo Apache 2.0, algo que importa a los equipos que necesitan ejecutar decisiones dentro de su propio perímetro en lugar de enviar cada estado a un endpoint alojado.
En qué se diferencia de un clasificador
Un clasificador clásico devuelve una etiqueta de una lista fija que quedó fijada durante el entrenamiento. Un modelo de decisión devuelve probabilidades para varias preguntas tipadas a la vez, y las preguntas pueden cambiar de una petición a otra sin reentrenar nada.
Esa flexibilidad es la diferencia entre mantener un modelo a medida para cada tarea y ejecutar un solo modelo que sirve para muchas tareas, cada una descrita en el esquema que envías con la petición.
La salida probabilística también se adapta mejor a los umbrales que una etiqueta rígida, porque decides dónde trazar la línea en lugar de aceptar la categoría que el modelo eligió por casualidad.
En qué se diferencia de un LLM general
Un LLM general puede responder casi cualquier cosa en casi cualquier formato, y por eso mismo es difícil confiar en él para una decisión. Su confianza suele quedar sin declarar y es complicado calibrarla contra resultados reales.
Un modelo de decisión cambia amplitud por fiabilidad. Hace un solo trabajo —puntuar un espacio fijo de respuestas— y devuelve un número que puedes umbralizar, registrar, usar para enrutar y auditar después.
Los dos son complementarios más que competidores. Un LLM general puede resumir o explicar; un modelo de decisión puede tomar la decisión.
Qué puedes construir con él
Los patrones habituales incluyen la clasificación de soporte con campos de categoría, urgencia y escalado; la moderación de contenido con permitir, revisar y bloquear; el enrutado de herramientas de agentes que decide qué función llamar; y la extracción estructurada hacia un formulario fijo.
En todos los casos el estado cambia constantemente pero el esquema se mantiene estable, que es el punto ideal para un modelo de decisión. El modelo no necesita aprender tu lógica de negocio; necesita puntuar las opciones que tu lógica ya definió.
- Soporte: categoría, urgencia, escalado.
- Moderación: permitir, revisar o bloquear.
- Enrutado de agentes: qué herramienta o función llamar.
- Extracción estructurada hacia un esquema fijo.
Prueba un modelo de decisión ahora
La forma más rápida de entender la idea es usar uno. El playground te deja escribir un estado, añadir preguntas tipadas y ver la probabilidad de cada opción permitida, todo en una pantalla y sin configuración previa.
Si prefieres leer primero, la documentación de la API detalla 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.