Cloudflare Clef-omni, 멀티모달 의사결정 확장… 정확도는 여전히 한계
Cloudflare Clef-omni는 10월 9일 출시됐으며, 하나의 의사결정 파이프라인에서 오디오, 비디오, 이미지, 텍스트를 네이티브로 처리한다. Cloudflare는 Clef-flash 가격도 인하하고 호스팅 Clef 추론 속도는 최대 2.0배 높였다. 이러한 변화는 출시된 지 일주일 된 모델 제품군을, 개발자들이 현재 자동화된 의사결정에 사용하는 다단계 시스템에 대한 한층 폭넓은 도전자로 만든다.
중요한 변화는 또 하나의 모델이 미디어를 입력으로 받는다는 점이 아니다. 범용 모델은 이미 그러한 기능을 제공한다. Cloudflare는 개방형 텍스트를 생성하는 대신 허용된 답변에 대한 확률을 반환하는 제약형 의사결정 서비스로 멀티모달 이해를 패키징하고 있다.
이 차이는 Cloudflare를 TypeSafe의 Jev, 그리고 별도의 전사·비전·언어·분류 컴포넌트를 연결하는 더 확립된 아키텍처 패턴과 경쟁하게 만든다. Clef-omni는 개발자에게 그 연결 고리를 하나의 모델 호출로 대체하라고 제안한다. 이 접근 방식은 오케스트레이션을 줄일 수 있지만, Cloudflare 자체 벤치마크 결과는 컴포넌트 수가 적다고 해서 자동으로 더 나은 의사결정으로 이어지지는 않는다는 점을 보여준다.
Cloudflare Clef-omni, 네 가지 입력 유형을 하나의 의사결정으로 전환
Cloudflare Clef-omni는 모든 입력을 먼저 텍스트로 변환하지 않고도 혼합 미디어를 직접 평가하도록 설계됐다.
이 모델은 텍스트, 이미지, WAV 또는 MP3 오디오, MP4 또는 WebM 비디오를 입력으로 받는다. 요청은 모델이 답해야 할 질문을 설명하는 스키마와 함께 이러한 입력을 여러 개 조합할 수 있다. 응답은 서술형 답변을 작성하는 대신 허용된 선택지에 신뢰도를 부여한다.
Cloudflare는 장비 점검을 사례로 이 패턴을 설명한다. 개발자는 라벨 사진, 기계 오디오 녹음, 팬이 담긴 비디오를 보낼 수 있다. 그러면 모델은 라벨이 보이는지, 기계 소리가 정상인지, 팬이 움직이는지를 판단할 수 있다.
이러한 워크플로에는 보통 여러 단계가 필요하다. 한 모델이 오디오를 전사하고, 다른 모델이 비디오를 샘플링하거나 캡션을 생성하며, 애플리케이션 코드가 그 결과를 결합한다. 이후 최종 분류기 또는 언어 모델이 축적된 증거를 의사결정으로 변환한다.
반면 Clef-omni는 미디어를 하나의 통합 시퀀스로 매핑한다. Cloudflare에 따르면 동기화된 오디오와 시각 프레임은 공동 처리에 계속 활용된다. 모델은 중간 전사본이나 캡션을 생성하지 않고도 이 결합된 표현을 기반으로 모든 유효한 답변에 점수를 매긴다.
이는 변환 과정에서 맥락을 잃는 신호에 있어 의미 있는 차이다. 전사본은 발화된 단어를 보존할 수 있지만 어조, 배경 소음, 타이밍, 소리와 움직임의 관계는 버릴 수 있다. 비디오 캡션 집합은 보이는 물체를 설명할 수 있지만, 기계적 고장과 동시에 소리가 발생했는지는 놓칠 수 있다.
Cloudflare는 전문가 혼합 방식의 기반 모델인 Qwen3-Omni-30B-A3B-Instruct를 토대로 이 모델을 구축했다. 전문가 혼합 모델은 매 계산마다 전체 네트워크를 활성화하는 대신, 서로 다른 입력을 선택된 파라미터 그룹으로 라우팅한다. Cloudflare는 기반 모델의 이해 기능은 유지했지만 텍스트 음성 변환 출력 컴포넌트는 제거했다.
이후 회사는 Qwen3 백본을 동결하고 저랭크 어댑터, 즉 LoRA 모듈을 학습시켰다. LoRA는 기반 모델 대부분을 변경하지 않은 채 추가된 소규모 파라미터 집합을 업데이트한다. Cloudflare는 예측 확률이 관측된 결과와 얼마나 일치하는지 측정하는 라벨 스무딩 교차 엔트로피 학습과 Brier 점수 보정도 적용했다.
이 아키텍처는 Clef 멀티모달 모델을 단순히 미디어를 처리하는 챗봇 이상으로 만든다. 이는 이미 어떤 질문에 답해야 하는지 알고 있는 애플리케이션을 위해 구축된 스키마 기반 스코어러다. 이러한 초점은 동시에 핵심적인 한계를 만든다. 스키마, 증거, 허용된 선택지가 실제 문제를 포착할 때에만 시스템은 유용한 의사결정을 내릴 수 있다.
Clef 멀티모달 모델이 겨냥하는 파이프라인 복잡성
Cloudflare는 다른 모델 공급업체뿐 아니라 연결된 모델 파이프라인의 비용과 취약성에도 맞서고 있다.
다단계 미디어 워크플로는 운영상 의존성을 만든다. 음성 인식은 억양이나 잡음이 많은 녹음에서 실패할 수 있다. 비디오 샘플링은 관련 프레임을 건너뛸 수 있다. 캡션 모델은 나중에 중요해지는 세부 정보를 누락할 수 있다. 최종 의사결정 시스템은 업스트림에서 발생한 모든 오류를 포함해 변환된 출력만 보게 된다.
각 단계에는 자체적인 지연 시간, 관측 가능성, 확장 방식, 장애 대응이 있다. 개발자는 실패한 전사를 재시도할지, 부분 증거로 계속 진행할지, 전체 요청을 중단할지 결정해야 한다. 최종 의사결정이 타이밍에 의존한다면 타임스탬프, 비디오 프레임, 파생 텍스트 간 연결도 유지해야 한다.
Clef-omni의 직접 처리는 이러한 인계를 줄인다. Cloudflare에 따르면 호스팅 모델은 텍스트 전용 의사결정을 중앙값 약 130밀리초의 지연 시간으로 처리한다. 이미지 요청은 약 150밀리초가 걸리고, 오디오 입력에는 수백 밀리초가 소요된다.
회사의 사례에서 사운드를 포함한 21초짜리 비디오는 약 1.5초 만에 점수를 받는다. 이는 독립적인 보장이 아닌 Cloudflare의 측정치다. 실제 지연 시간은 페이로드 크기, 네트워크 거리, 동시성, 애플리케이션의 질문 구성 방식에 따라 달라진다.
그럼에도 잠재적 이점은 분명하다. 지원 플랫폼은 고객의 서면 설명, 제품 사진, 음성 녹음을 하나의 요청으로 평가할 수 있다. 보안 워크플로는 화면 캡처, 음성 내레이션, 구조화된 인시던트 데이터를 결합할 수 있다. 품질 관리 애플리케이션은 보이는 움직임과 기계음을 비교할 수 있다.
출력 형식은 입력 형식만큼 중요하다. Clef 모델은 스키마 제약 확률을 생성하므로 애플리케이션은 대화형 산문을 파싱하지 않고도 응답을 활용할 수 있다. 모더레이션 시스템은 허용된 카테고리를 요청할 수 있고, 라우팅 시스템은 여러 목적지에 점수를 매길 수 있다.
그렇다고 애플리케이션 로직이 사라지는 것은 아니다. 팀은 중요한 사례를 위해 신뢰도 임계값, 에스컬레이션 규칙, 감사 기록, 사람의 검토를 여전히 마련해야 한다. 또한 확률 분포는 정확성 보장이 아니므로 불확실한 결과에 대한 정책도 필요하다.
이 변화는 통합으로 이해하는 편이 더 적절하다. 개발자는 별도의 인식 및 분류 단계를 유지하는 대신 하나의 엔드포인트가 워크플로의 충분한 부분을 처리하는지 시험할 수 있다. 모델 자체가 모든 평가에서 최고 성능을 내지 못하더라도 이는 인프라 작업을 줄일 수 있다.
동일한 원칙은 개인 정보 워크플로에도 적용된다. 회의, 문서, 캡처된 미디어를 결합하는 시스템에는 여전히 신뢰할 수 있는 검색과 맥락 관리가 필요하다. 지식 블렌딩을 중심으로 구축된 도구는 사용자가 맥락을 수동으로 재구성하도록 강요하지 않고 이질적인 정보를 연결하려는 더 폭넓은 수요를 보여준다.
Cloudflare는 개발자가 자동화된 의사결정 경로 안에서도 유사한 통합을 원한다고 보고 있다. Clef 멀티모달 모델이 미디어 간 유용한 증거를 보존한다면 단순한 아키텍처는 경쟁 우위가 된다. 도메인별 신호를 놓친다면 팀은 추가 복잡성에도 불구하고 전문화된 컴포넌트로 돌아갈 것이다.
더 빨라진 Clef 추론이 배포 방정식을 바꾼다
Clef 업데이트는 일부 측면에서 서빙 인프라 이야기이며, 보고된 중앙값 기준 최대 속도 향상은 2.0배에 이른다.
Cloudflare는 원래 Clef 모델의 더 빠른 버전에 대한 새 가중치를 공개하지 않았다. 회사는 개선이 주로 호스팅 서빙 계층에서 비롯됐다고 말한다. 이는 자체 호스팅 사용자가 기존 모델을 다시 내려받는 것만으로는 같은 성능 향상을 자동으로 얻지 못한다는 뜻이다.
약 800토큰 입력에서 Cloudflare는 중앙값 지연 시간이 262밀리초에서 152밀리초로 줄었다고 보고한다. 보고된 95백분위 지연 시간은 438밀리초에서 351밀리초로 이동했다. 이는 중앙값 기준 1.7배의 개선에 해당한다.
약 3,400토큰에서는 중앙값 지연 시간이 616밀리초에서 305밀리초로 감소한 것으로 알려졌다. 95백분위는 777밀리초에서 531밀리초로 낮아졌다. Cloudflare가 최대 2.0배 중앙값 속도 향상을 보고한 것은 이 워크로드다.
약 16,000토큰 입력에서 회사는 중앙값이 2,721밀리초에서 1,635밀리초로 감소했다고 보고한다. 95백분위 수치는 3,250밀리초에서 1,805밀리초로 낮아졌다. 이 크기에서 중앙값 개선은 1.7배다.
이러한 측정치는 의사결정 모델이 다른 작업 내부에 배치되는 경우가 많기 때문에 중요하다. 라우팅 결정은 에이전트가 도구를 선택하기 전에 내려질 수 있다. 안전 점수는 게시를 차단할 수 있다. 보안 분류는 이벤트가 즉각적인 주의를 받을지를 결정할 수 있다.
이러한 위치에서는 지연 시간이 누적된다. 에이전트 루프 내부에서 모델을 반복 호출하는 애플리케이션은 수백 밀리초를 체감 가능한 지연으로 바꿀 수 있다. 사용자가 경험하는 것은 중앙값 요청뿐 아니라 느린 요청이므로 테일 지연 시간도 중요하다.
Cloudflare는 Clef 추론 속도 개선의 일부를 언어 및 멀티모달 모델용 오픈소스 서빙 프레임워크인 SGLang으로의 전환에 기인한다고 설명한다. Cloudflare는 프로젝트와 협력해 업스트림 SGLang 기여를 통해 Clef 지원을 추가했다.
이 협력은 호스팅 서비스 이상의 의미를 갖는다. 자체 호스팅 사용자에게 지원되는 서빙 경로를 제공하지만, 결과는 하드웨어와 구성에 따라 달라진다. 또한 모델 성능을 추론 소프트웨어와 분리해 평가할 수 없음을 시사한다.
더 빨라진 호스팅 모델은 Cloudflare의 플랫폼 주장을 강화한다. Workers AI를 사용하는 개발자는 동일한 공급자 내에서 모델 실행, 애플리케이션 코드, AI Gateway 제어 기능을 결합할 수 있다. 지연 시간이 줄어들면 기존 Worker에 의사결정 단계를 삽입하는 부담도 낮아진다.
하지만 인프라 최적화가 모델의 판단력을 개선하는 것은 아니다. 절반의 시간에 반환된 오답은 여전히 오답이다. 따라서 개발자는 두 가지 평가 질문을 분리해야 한다. Clef가 정확도 및 보정 요구 사항을 충족하는지, 그리고 Cloudflare의 서빙 계층이 지연 시간 목표를 충족하는지다.
이 구분은 헤드라인 속도 향상이 애플리케이션 위험을 가리는 일을 막는다. 빠른 모더레이션 모델은 더 많은 콘텐츠를 처리할 수 있지만 오탐도 확장할 수 있다. 빠른 라우팅 모델은 에이전트를 가속할 수 있지만, 부정확한 신뢰도 추정은 더 많은 요청을 잘못된 도구로 보낼 수 있다.
더 저렴해진 Clef-flash, 더 작아진 호스팅 컨텍스트와 맞바꾸다
Cloudflare는 뚜렷한 제품 트레이드오프를 받아들여 Clef-flash 비용을 낮췄다. 호스팅 컨텍스트 윈도우가 이제 훨씬 짧아졌다.
회사는 Clef-flash가 이제 가장 직접적인 의사결정 모델 비교 대상인 Jev보다 저렴하다고 말한다. 정확한 상업적 수치는 변동될 수 있으므로 구매자는 출시 발표를 영구적인 요금표로 간주하기보다 최신 문서를 확인해야 한다.
더 지속적인 사실은 컨텍스트 축소다. 호스팅 Clef-flash는 이전에 64,000토큰 윈도우를 제공한다고 안내했다. 이제 Workers AI를 통해 최대 24,000토큰까지 허용한다.
Cloudflare에 따르면 관측된 Clef-flash 요청 중 새 한도를 초과한 비율은 0.24%에 불과했다. 회사는 이러한 사용량을 바탕으로 호스팅 상한을 낮추고 서비스 비용을 줄이기로 했다. 더 큰 Clef 모델은 64,000토큰의 호스팅 컨텍스트를 유지한다.
다운로드 가능한 Clef-flash 가중치는 변경되지 않았습니다. Cloudflare에 따르면 이 가중치는 자체 호스팅 시 256,000토큰 컨텍스트를 지원하도록 학습되었습니다. 이는 모델의 이론적 역량과 관리형 제품의 설정된 한도 사이에 분명한 차이를 만듭니다.
많은 분류 작업에서는 24,000토큰도 여전히 충분합니다. 고객 티켓, 정책 발췌문, 사고 요약 또는 짧은 에이전트 추적 기록은 무리 없이 들어갑니다. 긴 문서, 확장된 추적 기록 또는 대규모 증거 자료를 처리하는 팀은 새로운 경계를 염두에 두고 계획해야 합니다.
입력을 잘라내거나, 요약하거나, 관련 구절만 검색해 가져오거나, 더 큰 Clef 서비스를 사용하거나, Clef-flash를 자체 호스팅할 수 있습니다. 각 선택지는 시스템을 바꿉니다. 잘라내기는 결정적 증거를 제거할 위험이 있고, 요약은 또 다른 모델과 또 다른 오류 원인을 도입할 수 있습니다.
검색은 입력 크기를 통제할 수 있지만, 결과가 검색 계층이 선택하는 항목에 좌우되게 만듭니다. 자체 호스팅은 더 많은 컨텍스트를 보존하는 대신 용량 계획, 업데이트, 보안 작업, 추론 엔지니어링을 추가합니다.
따라서 더 저렴한 Clef-flash의 이야기는 단순한 가격 인하가 아닙니다. Cloudflare는 현재 관찰하는 대다수 요청에 맞춰 최적화하고 있습니다. 유난히 긴 입력을 처리하는 고객은 마이그레이션이나 아키텍처 변경을 통해 그 비용을 부담합니다.
이 결정은 제품군의 포지셔닝도 명확히 합니다. Clef-flash는 비교적 제한된 컨텍스트에서 빈번하고 지연 시간에 민감한 결정을 겨냥합니다. Full Clef는 더 크거나 까다로운 사례를 처리합니다. Clef-omni는 결정적 정보가 텍스트, 오디오, 이미지, 비디오를 가로지르는 워크플로를 대상으로 합니다.
계층형 라우팅 패턴은 자연스럽게 뒤따릅니다. 애플리케이션은 Clef-flash로 시작해 길거나 불확실한 사례를 다른 모델로 에스컬레이션할 수 있습니다. 다만 이 패턴에는 신중한 보정이 필요합니다. 일반 벤치마크에서 합리적으로 보이는 신뢰도 임곗값도 기업 자체 데이터에서는 다르게 작동할 수 있습니다.
개발자는 평균 입력 길이가 아니라 완전한 프로덕션 사례를 사용해 컨텍스트 한도를 테스트해야 합니다. 24,000토큰을 초과하는 드문 요청은 누락된 컨텍스트가 가장 큰 피해를 초래할 수 있는 복잡한 요청일 수도 있습니다.
Cloudflare Clef-omni는 여전히 정확성 시험대에 놓여 있다
Cloudflare가 공개한 결과는 역량 있는 모델을 보여주지만, 모든 작업이나 모달리티에서 보편적인 승자를 보여주지는 않습니다.
Cloudflare의 벤치마크 세트에서 Clef-omni는 여러 텍스트 중심 평가에서 강력한 결과를 기록했습니다. BFCL 사례 정확 일치에서 98.2를, 범위 밖 예시를 포함한 CLINC150에서 매크로 F1 97.7을 달성했습니다. BANKING77에서도 매크로 F1 94.8을 기록했습니다.
그러나 여러 테스트에서 이 모델은 Clef 제품군의 다른 구성원에게 뒤처집니다. Full Clef는 ToolRet, 가전제품 의사결정, When2Call, BRIGHT, PhishNChips에서 더 높은 점수를 받았습니다. Clef-flash는 BFCL, API-Bank, 가전제품 평가에서 앞섰습니다.
Jev 역시 강점을 유지합니다. Cloudflare의 표에 따르면 Jev는 When2Call과 BRIGHT에서 앞섭니다. 이 결과는 더 폭넓은 입력 범위를 자동적인 우수성으로 간주해서는 안 된다는 점을 시사합니다.
워크플로 평가에서도 같은 혼합된 양상이 나타납니다. 공개된 decision model evals에서 Clef-omni는 인보이스 처리 부문에서 Full Clef에 뒤집니다. 고객 서비스 정확 행동과 에이전트 추적 기본 행동에서는 Clef-flash에도 뒤집니다.
보안 사고의 경우 Clef-omni는 정확 행동에서 Clef-flash 및 Jev와 동률이지만 Full Clef보다는 낮습니다. 비즈니스 워크플로는 대개 여러 개의 올바른 선택을 결합하기 때문에 이러한 차이는 중요합니다. 모델은 기본 행동을 올바르게 선택하면서도 규정 준수나 후속 조치에 영향을 주는 보조 행동을 놓칠 수 있습니다.
벤치마크는 새로운 모달리티에 대해서도 제한적인 증거만 제공합니다. 나열된 평가는 상당수가 텍스트 분류, 검색, 도구 사용 또는 구조화된 워크플로에 초점을 둡니다. 다양한 프로덕션 환경에서 Clef-omni가 동기화된 음성, 소리, 움직임, 이미지를 얼마나 신뢰성 있게 종합 추론하는지는 입증하지 못합니다.
Cloudflare는 멀티모달 지연 시간을 보고하지만, 출시 자료는 오디오와 비디오 정확도에 대해 이와 비슷하게 상세한 공개 분석을 제공하지 않습니다. 잡음이 많은 녹음, 다수 화자, 카메라 움직임, 압축된 비디오, 겹치는 소리, 모달리티 간 상충하는 증거에 관한 의문은 남아 있습니다.
이 검증 공백은 도입 방식을 좌우해야 합니다. 공장 검사를 평가하는 팀은 현실적인 배경 소음 아래 정상 및 비정상 소리가 포함된 사례를 만들어야 합니다. 지원 조직은 다양한 억양, 기기 마이크, 불완전한 고객 녹음을 테스트해야 합니다.
보안 팀은 거짓 양성과 거짓 음성을 별도로 측정해야 합니다. 단일 정확도 점수는 가장 흔한 클래스를 선호함으로써 좋은 성능을 내는 시스템을 가릴 수 있습니다. 이후 자동화는 종종 신뢰도 값이 실제 오류율과 대응하는지에 의존하므로 보정 역시 테스트할 가치가 있습니다.
Cloudflare의 빠른 개발 일정은 독립 평가의 필요성을 높입니다. 회사는 원래 Clef 프로젝트가 내부 결정에서 출시까지 일주일도 걸리지 않았다고 말합니다. 반복 개발 속도는 인상적이지만, 광범위한 외부 테스트를 대체하지는 못합니다.
공개 가중치는 도움이 됩니다. 연구자는 테스트를 재현하고, 동작을 점검하며, 자체 호스팅 결과를 Workers AI와 비교할 수 있습니다. 그러나 공개 접근성이 벤치마크를 중립적으로 만들지는 않습니다. 보고된 수치는 여전히 Cloudflare가 선택한 모델, 프롬프트, 인프라, 지표를 거칩니다.
가장 타당한 결론은 출시 프레이밍보다 좁습니다. Cloudflare Clef-omni는 멀티모달 의사결정을 위한 신뢰할 만한 단일 호출 아키텍처를 제공합니다. 실제 워크플로를 개선하는지는 출시 벤치마크가 아직 제공하지 못한 도메인별 증거에 달려 있습니다.
개발자가 다음으로 주목해야 할 점
다음 단계는 기능 목록이 아니라 독립적인 멀티모달 테스트, 프로덕션 도입, 경쟁사의 대응에 의해 결정될 것입니다.
첫 번째 신호는 평가 범위입니다. 개발자는 특히 신호가 서로 상충할 때 오디오와 비디오의 증거를 함께 요구하는 공개 테스트를 찾아야 합니다. 유용한 벤치마크는 보이는 기계는 정상적으로 작동하지만 오디오는 간헐적 고장을 드러내는 상황을 모델이 알아차리는지 테스트할 것입니다.
이러한 결과는 하나의 통합 파이프라인이 전사와 캡션 처리에서 손실되는 정보를 보존한다는 Cloudflare의 주장을 강화할 것입니다. 결과가 약하다면 네이티브 입력은 편리할 수는 있어도 특화된 구성 요소보다 반드시 더 정확한 것은 아니라는 점을 시사할 것입니다.
두 번째 신호는 프로덕션 동작입니다. Cloudflare는 이미 스팸 이슈 종료, 피싱을 위한 플러그인 라이브러리 검토, 개인 정보 가능성 식별, 악성 도메인 탐지에 Clef를 내부 배포했다고 설명합니다. 이 사례들은 중요한 분류 작업과 관련되지만, 주로 측정된 신뢰성보다는 사용 사례를 보여줍니다.
개발자는 지속적인 트래픽에서의 오류율, 보정 결과, 에스컬레이션 패턴, 테일 지연 시간을 필요로 합니다. 또한 팀이 진정한 교차 모달 의사결정에 Clef-omni를 채택하는지, 아니면 주로 또 다른 텍스트 및 이미지 채점기로 사용하는지도 지켜봐야 합니다.
세 번째 신호는 경쟁사의 대응입니다. Clef가 Jev의 API 형태를 지원하고 Cloudflare가 반복적으로 Jev와 벤치마크를 비교하기 때문에 Jev는 가장 명확한 직접 비교 대상입니다. 호환성은 전환 마찰을 낮추므로 TypeSafe는 정확도, 경제성, 지연 시간 또는 특화 도구를 통해 입지를 방어해야 합니다.
범용 멀티모달 모델 제공업체도 의사결정 모델로 시스템을 제시하지 않더라도 중요합니다. 구조화된 출력, 제약 디코딩, 전용 분류 엔드포인트는 운영상 차이를 줄일 수 있습니다. 도메인 정확도가 파이프라인 단순성보다 중요한 곳에서는 특화된 오디오 및 비전 시스템이 계속 매력적일 것입니다.
개발자에게 실질적인 다음 단계는 실제 사례를 활용한 통제된 평가입니다. 통합 모델을 기존 파이프라인과 비교한 다음, 완전 행동 정확도, 보정, 지연 시간, 실패 처리를 측정하세요. 평균은 운영 리스크를 결정하는 사례를 자주 가리므로 드문 긴 입력과 저품질 미디어를 포함해야 합니다.
모델이 네 가지 모달리티를 이해하는지부터 묻지 마세요. 그 모달리티들로부터 허용 가능한 오류율 내에서 올바른 제한된 결정을 내리는지 물어야 합니다. 그다음 모델이 불확실할 때, 상충하는 증거를 받을 때, 또는 호스팅된 컨텍스트 한도를 초과할 때 어떤 일이 일어나는지 테스트하세요.
Cloudflare는 이 실험을 더 쉽게 실행할 수 있게 했습니다. 하지만 실행할 필요성까지 없앤 것은 아닙니다. Cloudflare Clef-omni의 가치는 하나의 엔드포인트가 기술적으로 모든 파일 형식을 받을 수 있는지가 아니라, 더 단순한 아키텍처가 지저분한 프로덕션 데이터를 마주했을 때도 견디는지에 궁극적으로 달려 있습니다.
