Cloudflare'in Karar Modeli Clef ile Workers AI Üzerinde Uygulamalı Deneyim

Giriş#

1 Ekim 2026'da Cloudflare, doğrudan karar alma süreçlerine odaklanan Clef ve Clef-flash modellerini tanıttı. Workers AI üzerinde yürütülen bu ilk deneyler, açık uçlu metin üretimi yerine sınıflandırma ve yönlendirme görevlerinde geliştiricilere pratik çözümler sunmaktadır. İncelemenin temel sınırları şu şekildedir:

Tüm deneyler 4 Ekim 2026 tarihinde Workers AI üzerinde gerçekleştirilmiştir.
Testlerde kullanılan tüm müşteri sorguları ve görseller tamamen kurgusaldır.
Örneklem boyutları sınırlıdır (deney başına yaklaşık beş test senaryosu).
Çalışmanın amacı kapsamlı bir doğruluk kıyaslaması değil, genel eğilimleri görmektir.

Clef Nedir?#

Clef; serbest metin üretmek yerine metin veya görselleri analiz ederek önceden tanımlı seçenekler arasından seçim yapan bir karar modelidir. Her seçenek için olasılık dağılımı döndürür.

Clef: Qwen3.8-27B tabanlı, 1M girdi token'ı başına $0.24, 65.536 token bağlam penceresi ve 209.3 ms medyan gecikme.
Clef-flash: Qwen3.5-9B tabanlı, 1M girdi token'ı başına $0.09, 65.536 token bağlam penceresi ve 38.8 ms medyan gecikme.

Modelin arka plandaki çalışma mekanizması:

Temel model tüm girdiyi tek bir geçişte (prefill) okur.
Modelin üzerine eklenen hafif başlık (head) katmanı her seçeneği paralel olarak puanlar.
Temel model ağırlıkları dondurulmuştur; eğitim sırasında sadece başlık ve LoRA katmanları güncellenmiştir.

Desteklenen üç soru formatı:

noul: Evet/Hayır soruları için "evet" olasılığı.
choice: 2 ila 255 seçenek arasından seçim; seçilen seçenek, olasılık ve güven skoru.
score: 2 ila 10 seviyeli derecelendirmeler; olasılık ağırlıklı beklenen puan.

API Çağrısı Yapmak#

Workers AI REST API'sine POST isteği gönderilerek çalıştırılır. Girdi metni state parametresinde, yöneltilen sorular ise questions altında tanımlanır. Yazılım mimarilerinde açık uçlu çıktıları parse etmek yerine doğrudan deterministik olasılık almak, agent yönlendirmelerinde büyük hız ve güvenilirlik sağlar.

Test Edilen Senaryolar#

Yapılan denemelerde şu altı senaryo incelenmiştir:

Japonca Taleplerin Yönetimi: Çok dilli sorgularda anlama performansı.
Seçenek Sıralamasının Önemi: Seçenek diziliminin karar üzerindeki etkisi.
Kapsam Dışı Sorguların İşlenmesi: Tanımlı olmayan durumlarda model tepkisi.
Çok Amaçlı Sorguların Yönetimi: Birden fazla niyet içeren mesajların ayrıştırılması.
Görsel Sınıflandırma: Çok modlu girdilerde görsel etiketleme doğruluğu.
Gecikme Süresi (Clef vs. Clef-flash): Hız ve maliyet dengesi.

Neler Başarılı Oldu?#

Düşük gecikme süresi, deterministik çıktılar ve token maliyet avantajı karar sistemleri için oldukça etkilidir.

Dikkat Edilmesi Gerekenler#

Çok amaçlı ve kapsam dışı taleplerde eşik değerlerinin (confidence score) dikkatle kurgulanması gerekir.

Uygulama Zorlukları#

Seçenek kriterlerinin net tanımlanması ve prompt yerine yapılandırılmış JSON şemasının doğru kurulması kritik önem taşır.

Sonuç#

Clef modelleri; niyet tespiti, bilet yönlendirme ve içerik denetimi gibi görevlerde geleneksel LLM'lere göre çok daha ekonomik, tutarlı ve hızlı bir alternatiftir.

Kaynaklar#

Tanıtım yazısı: Introducing Clef
Workers AI model sayfaları: Clef / Clef-flash
Hugging Face depoları: Cloudflare/clef / Cloudflare/clef-flash

Bu konuyu derinlemesine öğrenmek isterseniz: Modeller: Hangisi, Ne Zaman? modülüne göz atın.