Qwen/Qwen3.8-27B
基座模型（模型卡标注为 Base model）
Clef 在其骨干上加视觉编码器与联合 schema head，输出从自由文本改为每选项概率
自动排版把客服工单、单据、邮件这类“靠人读一段文字决定归类”的环节，改成给模型一组带选项的问题，让它一次前向输出每个选项的概率，而不是生成一段话再让人或规则去解析。
项目介绍
Clef 是一个 27B 的多模态决策模型，输入是一段状态（文本、JSON、图像或视频）加一组结构化提问，输出是每个问题、每个选项的概率，不做自由文本生成。对传统企业而言，它的意义在于把“人读文本、凭经验归类”的隐式判断，变成可写下来、可核对、可设阈值的显式判断：你可以把“这条工单属于售后/物流/账务”写成 choice 题，把“是否紧急”写成 noul 题，把“紧急程度”写成三档 score 题，一次拿到全部概率。模型卡给出的 Decision Index 0.2.1 里，BANKING77 意图分类 94.2、CLINC150+OOS 97.4、ContractNLI 81.4，中位延迟 209ms，这些恰好对应客服意图与合同条款类任务。
主要应用领域
客服工单进入哪个处理队列、发票/单据处于哪种状态、合同条款是否命中某条约束、邮件是否需要升级处理。输入是企业已有系统里的文本字段（加上扫描件图像），输出是每个问题的概率分布，可直接接路由规则或人工复核队列。
关键技术
基于 Qwen3.8-27B 骨干加视觉编码器与联合 schema head（joint_head.safetensors 单独一份权重），官方测试环境 torch 2.11 + transformers 5.10.2、单张 H200，图像/视频输入需 pillow；模型卡提供 systemone 兼容 Jev/SystemOne 的 POST /v1/systemone 请求体，便于接入已有服务。以上为模型卡声明，本轮未部署未实测。
实用价值
把“人读一段话决定归哪类”的环节从不可审计的经验判断，变成带概率的可核验输出：模型卡自测的 BANKING77 94.2、CLINC150+OOS 97.4 对应意图分类，ContractNLI 81.4 对应条款判定，中位延迟 209.3ms 意味着吞吐不是瓶颈，瓶颈反而在人工复核规则的设定。注意：这些是作者在公开基准上的自测，不能直接换算成企业准确率或节省人时。
局限
只适合答案能写成有限选项的环节，开放式总结、回复撰写不适用；需要 H200 级显存自建（当前无托管推理服务），对小企业是不小的固定成本；模型卡成绩均为作者自测，没有第三方在中文工单或中文单据上的表现数据；错误分类的责任归属与审计痕迹需要企业自己设计，模型只给概率。
开源协议
Apache-2.0
模型卡 License 段与文件清单均标注 Apache-2.0，声明沿用基座 Qwen/Qwen3.8-27B；未逐文件核对 LICENSE 正文，商用前建议自行确认。
协议解读供选型参考，不构成法律意见。
推荐理由
建议按小试点采用选一个高频、判断标准已经写成文档的环节（客服工单分流或采购单/发票归类），从历史系统导出一个月的脱敏样本并人工标好正确归类，先只跑 choice 题，用概率阈值决定“自动分流 / 转人工”两档，先影子运行只记录不自动流转，两周后比对人工复核率与误分返工量再决定是否接管。
观测
Star未取得；观测时间：2026-11-10T04:13:38.000Z
暂无可比增长基线
开源代码
专业社区口碑
未找到可靠口碑
在 Hacker News 首页 30 条与 Hugging Face trending 首屏中未出现关于 Clef 的落地讨论或客户案例；模型卡本身也未提供企业客户案例，仅有作者内部评测。
仅读 HN 首页与 HF trending 首屏，未检索行业社区或客户评价；HF 讨论区 5 条未逐条阅读。
类似项目推荐
模型知识参考，未在线核验；名称、维护状态和许可证需另行核实。
Cloudflare/clef-flash
同组织 9B 小号变体，定位更低延迟
Flash 更小更快（中位延迟 38.8ms），但 BANKING77 90.9、ToolRet 66.4 低于 Clef 的 94.2 与 69.2；吞吐优先的批量分流可选 Flash