Clairic API

Clairic to model ekstrakcyjny Cloudflare pozycjonowany jako nowa klasa modeli System One. Przyjmuje tekst, opcjonalne obrazy oraz schemat pól i w jednym przebiegu zwraca silnie typowane wartości: fragmenty tekstu, liczby, daty, godziny, czasy trwania, listy, szacunki i prognozy. Dla każdego pola podaje ocenę pewności oraz prawdopodobieństwo wartości null. Model nie generuje tokenów wyjściowych, lecz uzupełnia LLM-y i model decyzyjny Clef w trzystopniowym potoku. Jest udostępniony w Workers AI pod identyfikatorem @cf/cloudflare/clairic. Model sprawdza się w ekstrakcji danych z dokumentów, takich jak faktury, paragony i dokumentacja ubezpieczeniowa, a także w agregacji danych finansowych, obliczaniu dat i czasów trwania, prognozowaniu zapasów oraz ekstrakcji informacji w obsłudze klienta. Radzi sobie z jedno- i dwuetapowymi obliczeniami, takimi jak sumy, różnice, konwersje i działania na datach. W teście trzystopniowego potoku skrócił czas przepływu pracy przy roszczeniach ubezpieczeniowych z 61,7 sekundy do 19,3 sekundy, osiągając 69% redukcji opóźnienia i około 49% redukcji kosztów. Poradził sobie z szacowaniem kosztów naprawy tam, gdzie potoki Gemma 4 i Qwen zawiodły. W wersji preview model ma ograniczenia: wieloetapowa arytmetyka jest niepełna, słabo radzi sobie z długimi łańcuchami zależności i agregacją wielu wierszy tabeli, a szacunki są ograniczenie dokładne bez danych porównawczych, historii lub opisu w danych wejściowych. Prognozowanie jest podstawowe i nie zastępuje modeli szeregów czasowych trenowanych na konkretnych danych. Model jest przeznaczony do ogólnego dopasowywania wzorców i zastosowań niekrytycznych; przy złożonym rozumowaniu i generowaniu tekstu należy łączyć go z LLM-ami. Cloudflare planuje udostępnienie wag otwartych w najbliższej przyszłości.

Rachunek zależy od wybranego dostawcy, jego cen i faktycznego zużycia. Dłuższe dane wejściowe lub inne warunki mogą mieć inne ceny.

Model przyjmuje tekst, opcjonalne obrazy oraz typowany schemat pól. Na tej podstawie wyciąga wartości w jednym przebiegu.

Nie, model nie generuje tokenów wyjściowych. Zwraca typowane wartości pól wraz z oceną pewności i prawdopodobieństwem wartości null.

Sprawdza się w ekstrakcji danych z dokumentów, agregacji danych finansowych, obliczaniu dat i czasów trwania, prognozowaniu zapasów oraz ekstrakcji informacji w obsłudze klienta.

Clairic jest modelem ekstrakcyjnym, a nie LLM-em. W porównaniu z konwencjonalnymi LLM-ami deklaruje wyższą dokładność w ekstrakcji danych oraz niższe opóźnienie i koszt.

Clairic uzupełnia LLM-y i model decyzyjny Clef w trzystopniowym potoku. Jest elementem szerszej architektury AI, a nie zamiennikiem LLM-a.

Wieloetapowa arytmetyka jest jeszcze niepełna, a model słabo radzi sobie z długimi łańcuchami zależności i agregacją wielu wierszy tabeli. Prognozowanie jest podstawowe i nie zastępuje modeli szeregów czasowych.