clef-flash vs qwen3.5

Clef-Flash vs Qwen3.5-9B: mismos pesos base, trabajo distinto

Clef-Flash se obtiene por post-entrenamiento de Qwen3.5-9B, así que la pregunta justa no es «qué modelo es más listo» sino «qué contrato de salida encaja con la tarea». Aquí están las especificaciones verificadas, los precios reales y los casos en los que gana el modelo base.

La respuesta corta

Qwen3.5-9B es un modelo de lenguaje multimodal general. Le das un prompt y devuelve texto: una respuesta, un borrador, una llamada a herramienta o un bloque de JSON si lo pides con cuidado. Clef-Flash parte de la misma base de 9B y se post-entrena para devolver una probabilidad por cada opción permitida dentro de un esquema tipado, en una sola pasada.

Si tu programa termina con «escribe algo y luego analízalo», el modelo base es la opción flexible y la más barata en autoalojamiento. Si tu programa termina con «elige una de estas seis etiquetas y dime cuánta confianza tienes», Clef-Flash elimina el paso de análisis y el modo de fallo por salida mal formada.

Ningún veredicto es universal. El resto de la página da los números de ambos lados, incluidas las áreas donde Qwen3.5-9B va claramente por delante.

Especificaciones, lado a lado

Todo lo que aparece en esta tabla procede de las dos fichas de modelo y de la página de precios de Cloudflare, consultadas el 21 de octubre de 2026. Cuando un dato está publicado para un modelo y no para el otro, la celda lo dice en lugar de adivinarlo.

EspecificaciónClef-FlashQwen3.5-9B
Parámetros9B, con post-entrenamiento desde Qwen3.5-9B9B (los metadatos del repositorio de Hugging Face indican 10B)
LicenciaApache 2.0Apache 2.0
Ventana de contexto64K en la ficha; 24.576 en esta API262.144 tokens nativos, ampliables a 1.010.000
SalidaUna probabilidad por cada opción permitida, más la ganadoraTexto libre, llamadas a herramientas o JSON guiado por el prompt
VisiónCodificador de visión integradoMultimodal, con un MMMU publicado de 78,4
Referencias publicadasUnos 39 ms de mediana y 122 ms en p95MMLU-Pro 82,5; GPQA Diamond 81,7; MMMU 78,4
Precio en Workers AI0,038 $ por millón de tokens de entradaNo se cita en esta comparación; consulta la página actual del modelo en Workers AI
Publicación1 de octubre de 2026Febrero de 2026
Memoria localUnos 41 GB de VRAM para inferencia en precisión completaCompilaciones cuantizadas de Ollama: 6,6–7,6 GB para qwen3.5:9b y 8,9 GB para la etiqueta MLX
La fila de memoria no es una comparación equivalente: 41 GB es un requisito en precisión completa, mientras que las etiquetas de Ollama son distribuciones cuantizadas. Compara lo mismo antes de dimensionar una GPU.

El contrato de salida es la diferencia real

Con un modelo de lenguaje, la estructura es una petición, no una garantía. Puedes usar modo JSON, un esquema en el prompt o un decodificador restringido, y cualquiera de esas opciones sigue necesitando una capa de validación y una ruta de reintento para el caso en que el modelo devuelva algo que tu analizador rechaza. Esa capa no es gratis: es código, pruebas y un modo de fallo que aparece en producción en el peor momento.

Clef-Flash traslada la restricción al modelo. Envías un estado y un esquema de preguntas tipadas, y la respuesta es una distribución sobre las opciones que permitiste. No hay nada que analizar, y el modelo no puede responder fuera del esquema porque el esquema define el espacio de respuestas.

El intercambio es flexibilidad. Un modelo de lenguaje puede resumir un ticket, escribir una respuesta y luego clasificarlo. Clef-Flash solo hace lo último. Si tu flujo necesita también la prosa, usarás un modelo de lenguaje de todos modos y la llamada de decisión será un segundo paso.

Referencias: qué se puede comparar y qué no

La ficha de Qwen3.5-9B publica referencias académicas: MMLU-Pro 82,5, GPQA Diamond 81,7 y MMMU 78,4. Miden conocimiento general, razonamiento de nivel universitario y comprensión multimodal. Son útiles para comparar Qwen3.5-9B con otros modelos generales.

Cloudflare publica latencia para Clef-Flash: alrededor de 39 ms de mediana y 122 ms en p95. Una cifra de latencia no es una cifra de calidad. No existe una referencia compartida que puntúe ambos modelos en la misma tarea de decisión, y esta página no va a inventarla comparando una puntuación de razonamiento con un recuento de milisegundos.

La consecuencia práctica es que no puedes elegir entre ambos solo con los números publicados. Tienes que pasar una muestra etiquetada por los dos y medir la coincidencia con tu verdad de referencia. El protocolo está al final de la página.

Cuánto cuesta una decisión en Workers AI

Cloudflare lista Clef-Flash a 0,038 $ por millón de tokens de entrada en Workers AI, que también expresa como 3.455 neuronas por millón de tokens de entrada. Workers AI factura a 0,011 $ por cada 1.000 neuronas e incluye 10.000 neuronas gratuitas al día.

Con esos dos números la asignación gratuita se lee fácil: 10.000 neuronas al día equivalen a unos 2,9 millones de tokens de entrada de Clef-Flash al día al precio indicado. Para una solicitud de unos 600 tokens, una llamada de pago cuesta una fracción de céntimo, y la asignación diaria gratuita cubre miles de decisiones.

El autoalojamiento tiene la forma contraria. El coste marginal de una decisión es casi cero una vez que existe el hardware, pero el requisito publicado es de 41 GB de VRAM, y una GPU inactiva tampoco es gratis. El precio alojado existe para los equipos que no quieren ser dueños de la máquina.

Ejecutar Qwen3.5-9B por tu cuenta

La biblioteca de Ollama lista qwen3.5:9b en 6,6–7,6 GB, con una etiqueta MLX de 8,9 GB para Apple silicon. Son compilaciones cuantizadas, y por eso caben en hardware de consumo que no podría sostener el modelo en precisión completa.

La cuantización es un intercambio real, no una comida gratis. Reduce la memoria y suele aumentar el rendimiento, y puede desplazar el comportamiento en casos límite. Si vas a evaluar una compilación cuantizada contra Clef-Flash, evalúa la compilación que vas a desplegar, no la ficha del modelo en precisión completa.

La misma regla se aplica a Clef-Flash: los 41 GB son el requisito local publicado, y existen conversiones MLX de 4 bits de la comunidad en Hugging Face. Prueba el artefacto que piensas publicar.

Contexto: 24.576 servidos frente a 262k

Qwen3.5-9B documenta un contexto nativo de 262.144 tokens, ampliable a 1.010.000. La ficha de Clef-Flash documenta 64K, de los que esta API lee 24.576.

Para trabajo de decisión, esto rara vez importa. Un ticket de soporte, un elemento de moderación, una clasificación de documento o un conjunto de fotogramas casi siempre caben en 24.576 tokens, y un modelo de decisión solo lee el estado una vez. Si tu estado es un contrato de 200 páginas y la pregunta es sobre una cláusula de la página 180, la ventana más larga del modelo base es una ventaja real.

Contexto largo tampoco significa precisión en contexto largo. Un modelo que acepta 262k tokens no recupera automáticamente el detalle correcto a 262k. Si necesitas decisiones sobre documentos largos, prueba la calidad de recuperación a la longitud real de tus documentos en lugar de confiar en el tamaño de la ventana.

Cuándo Qwen3.5-9B es la mejor opción

Hay que ser honesto con esta lista; es más larga de lo que suele admitir una página de proveedor.

  • Necesitas salida libre. Resúmenes, reescrituras, chat, explicaciones y prosa de varios turnos son trabajo de modelo de lenguaje.
  • Necesitas un contexto muy largo. 262k nativos superan a 24.576 cuando el estado es un documento largo o una transcripción extensa.
  • Quieres ajustar el modelo con tus propias etiquetas con herramientas estándar. El modelo base es el punto de partida convencional y el ecosistema es mayor.
  • Necesitas cobertura multilingüe muy superior al inglés. La ficha de Qwen afirma 201 idiomas y dialectos; la de Clef-Flash no publica una lista de idiomas.
  • Te importa el coste a alto volumen y ya tienes la GPU. La inferencia local cuantizada tiene el coste marginal más bajo por llamada.

Cuándo Clef-Flash es la mejor opción

El caso del modelo de decisión es estrecho pero contundente.

  • La respuesta debe ser una de un conjunto fijo de opciones y el programa necesita un número de confianza, no una frase.
  • Quieres eliminar la capa de análisis y reintentos, no mantenerla.
  • Necesitas la decisión dentro de la ruta de una solicitud. Una mediana publicada de unos 39 ms es suficientemente rápida para situarse delante de una acción del usuario.
  • Quieres un endpoint alojado sin tener una GPU. Workers AI lista 0,038 $ por millón de tokens de entrada y una asignación diaria gratuita de neuronas.
  • Quieres una llamada, una respuesta, un esquema y ningún prompt que intente convencer a un modelo generativo de comportarse como un clasificador.

Para quién es esta página y para quién no

Esta comparación es para ingenieros que eligen entre un modelo general de pesos abiertos y un modelo de decisión para una tarea acotada de clasificación o enrutamiento: triaje de tickets, moderación, enrutamiento de intenciones, detección del tipo de documento o un agente que elige entre un conjunto fijo de herramientas.

No es para equipos que necesitan un producto de chat, un asistente de redacción o un agente que razone en prosa abierta. En esos casos el modelo base es la herramienta correcta y la comparación termina antes de empezar.

Tampoco es una afirmación de que Clef-Flash sea universalmente más preciso. Cloudflare publica latencia, no una tabla de precisión de decisiones, y ningún tercero ha publicado una comparación directa sobre un conjunto etiquetado compartido. Quien te diga lo contrario está citando una referencia que no existe.

Un protocolo de prueba para una tarde

Elige 100 elementos reales de tu propia cola, etiqueta la respuesta correcta de cada uno y mantén las etiquetas fuera de ambos prompts.

Pasa los elementos por Clef-Flash con tu esquema y por Qwen3.5-9B con una instrucción JSON y tu capa de validación. Registra la respuesta, la confianza cuando exista y si la respuesta se pudo analizar al primer intento.

Después compara tres números: la coincidencia con tus etiquetas, la proporción de respuestas que necesitaron un reintento y la latencia p95 de la llamada completa, incluido el análisis. El tercer número es donde suele ganar el modelo de decisión; el primero es donde el resultado es genuinamente incierto hasta que lo midas.

Repite la prueba con una compilación cuantizada si piensas autoalojar. El artefacto desplegable es el que cuenta.

Fuentes

Todas las cifras del competidor se consultaron el 21 de octubre de 2026. Las fichas de modelo y los precios cambian; verifícalos antes de comprometerte.

Ficha de Qwen3.5-9B: https://huggingface.co/Qwen/Qwen3.5-9B — número de parámetros, contexto nativo de 262.144 tokens, licencia Apache 2.0, 201 idiomas, MMLU-Pro 82,5, GPQA Diamond 81,7, MMMU 78,4, publicación en febrero de 2026.

Biblioteca de Ollama, qwen3.5: https://ollama.com/library/qwen3.5 — lista de etiquetas y tamaños de descarga de 6,6–7,6 GB para qwen3.5:9b y 8,9 GB para la etiqueta MLX.

Precios de Cloudflare Workers AI: https://developers.cloudflare.com/workers-ai/platform/pricing/ — Clef-Flash a 0,038 $ por millón de tokens de entrada (3.455 neuronas por millón), 0,011 $ por 1.000 neuronas y 10.000 neuronas gratuitas al día.

Preguntas frecuentes

¿Clef-Flash es solo un Qwen3.5-9B ajustado?

Cloudflare describe Clef-Flash como un modelo multimodal de 9B con post-entrenamiento desde Qwen3.5-9B. Los pesos y la licencia se mantienen; el comportamiento no. Clef-Flash devuelve decisiones tipadas con probabilidades en lugar de texto libre.

¿Puede Qwen3.5-9B hacer el mismo trabajo con modo JSON?

Puede producir JSON cuando se lo pides, y la ficha de Qwen documenta llamadas a herramientas y formatos de salida guiados por el prompt. La diferencia es la garantía: con un modelo generativo sigues validando y reintentando; con un modelo de decisión las respuestas permitidas definen el espacio de salida.

¿Cuál es más barato?

Por llamada, una decisión alojada con Clef-Flash es muy barata: Workers AI lista 0,038 $ por millón de tokens de entrada e incluye 10.000 neuronas gratuitas al día. Por mes, Qwen3.5-9B autoalojado puede ser más barato a alto volumen cuando ya tienes la GPU. Compara con tu volumen real, incluido el coste del código de análisis y reintentos.

¿Clef-Flash admite un contexto de 262k como Qwen3.5-9B?

No. La ficha de Clef-Flash documenta 64K tokens, y esta API lee 24.576 de ellos. Qwen3.5-9B documenta 262.144 tokens nativos, ampliables a 1.010.000. Si tu estado es un documento largo, esa diferencia importa.

¿Puedo ajustar Clef-Flash con mis propias etiquetas?

La publicación de Cloudflare incluye ajuste por refuerzo orientado precisamente a ese caso, y la licencia Apache 2.0 lo permite. Consulta la documentación actual de Cloudflare para conocer la receta admitida antes de planificar un entrenamiento.

¿Ambos modelos funcionan en Ollama?

Sí. Qwen3.5-9B está en la biblioteca de Ollama con 6,6–7,6 GB para la etiqueta 9b, además de compilaciones MLX para Apple silicon. Clef-Flash también está publicado para Ollama con la etiqueta clef-flash.

¿Qué debería medir antes de elegir?

La coincidencia con tus propias etiquetas en 100 elementos reales, la proporción de respuestas que necesitaron un reintento y la latencia p95 de la llamada completa, incluido el análisis. Las referencias publicadas no cubren una tarea de decisión compartida, así que tu muestra etiquetada es la única comparación honesta.

Sigue leyendo

Notas del modelo

Un correo corto cuando salga un nuevo modelo de decisión o cambie un benchmark. Sin spam, baja en un clic.