AI-modeller og platforme

Cloudflare lancerer Clairic-modeller med åbne vægte til dataudtræk

Theo Nash
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterÅbne vægte flytter serveringsomkostninger og kontrol fra Cloudflare til brugere, der…
Vis mere
  • Åbne vægte flytter serveringsomkostninger og kontrol fra Cloudflare til brugere, der kører Clairic lokalt.
  • Parallel slot autoregressiv generering forbedrede udtræksnøjagtigheden til en lille latencomkostning.
  • Cloudflares nøjagtighedstal er selvrapporterede og mangler uafhængige offentlige udtræksbenchmarks.

Cloudflare annoncerede den 18. november 2026, at den opdaterede Clairic-model med 27 milliarder parametre og den nye Clairic-flash-model med 9 milliarder parametre fås med åbne vægte på Hugging Face og som hostede Workers AI-endepunkter. Begge modeller er udviklet til at omdanne ustruktureret tekst, billeder og PDF-filer til typede værdier, estimater og prognoser.

Clairic-modelkortet angiver Qwen3.8-27B som basismodel, mens Clairic-flash-modelkortet bruger Qwen3.5-9B. Begge repositories indeholder vægte, komponenter til typet output, tokenizer- og processorfiler samt Python-hjælpefunktioner under Apache-2.0-licensen, så man kan køre inferens lokalt med PyTorch og Transformers uden at skulle bruge Workers AI.

Udgivelsen følger efter Cloudflares hostede forhåndsvisning den 19. oktober 2026, som brugte et tidligt kontrolpunkt og oplyste, at de åbne vægte ville komme efter yderligere arbejde. Forhåndsvisningen omfattede allerede dataudtræk, beregning, estimering og prognoser, mens vejledningen fremhævede flertrinsaritmetik, estimater uden underbyggende evidens og grundlæggende prognoser som begrænsninger.

En nydesignet arkitektur til dataudtræk

Til almindeligt dataudtræk fra tekst og tal erstattede Cloudflare forhåndsvisningens design med ét enkelt fremadpass med parallel, autoregressiv generering af slots. Felterne behandles samtidig i serveringsbatchen, men hvert felt bruger sine egne tidligere genererede tokens til at vælge det næste token og stopper ved sin egen slutmarkør. Separate hoveder håndterer estimater, prognoser, varigheder, beregnede datoer og eksplicit aritmetik. Cloudflare oplyser, at ændringen forbedrede nøjagtigheden ved udtræk fra tekst og billeder, men medførte en lille stigning i latenstiden.

Det typede interface bevarer konfidensscorer, null-sandsynligheder og tegnintervaller for tekstbeviser, der er matchet entydigt; billedbaserede eller tvetydige beviser har null-intervaller. Input kan være tekst eller JSON samt valgfrie billeder og indlejrede PDF-filer, mens output omfatter typede værdier, lister, null-værdier, estimater og prognoseforløb. Hver anmodning er begrænset til i alt fire billeder eller gengivne PDF-sider, og indlejrede input må højst fylde 4 MiB hver og 8 MiB tilsammen. Fjernadresser til medier accepteres ikke.

PDF-understøttelsen gør det muligt at anmode om en leverandør, varelinjer og en samlet pris i én anmodning, selv når oplysningerne står på forskellige sider. Rækkerne med varelinjer bevarer hver beskrivelse, mængde og pris. Sidegrænsen afgrænser, hvad hvert modelkald behandler: et mindre antal sider frem for et helt dokumentarkiv.

Selvrapporteret nøjagtighed og latenstid

Cloudflares interne evalueringer rapporterer følgende antal korrekte svar for de opdaterede modeller og det tidligere kontrolpunkt fra forhåndsvisningen:

Evaluering Clairic-preview Clairic Clairic-flash
Nye tekstfelter, 96 anmodninger 295/336 335/336 328/336
Registrerede kundeudsagn, 139 anmodningsformater 1,033/1,263 1,263/1,263 1,263/1,263
Syntetiske kvitteringsfelter i tekst og billeder 369/576 576/576 576/576

Virksomheden siger, at der ikke findes offentlige benchmarks for dataudtræk, og beskriver sine sammenligninger med Liquid AI’s D1.2 kombineret med optisk tegngenkendelse og Scaledowns Extract som vejledende og selvrapporterede. Tallene dokumenterer derfor Cloudflares rapporterede fremskridt i forhold til forhåndsvisningen; de fastslår ikke en uafhængig rangordning af modeller til dataudtræk.

Cloudflare rapporterer medianresponstider og responstider ved 95-percentilen på henholdsvis 358 ms og 736 ms for Clairic med nye tekstfelter sammenlignet med 155 ms og 328 ms for Clairic-flash. For nye billedfelter var Clairics responstider ved de samme percentiler 453 ms og 976 ms, mens Clairic-flash havde responstider på 305 ms og 605 ms. Testene målte komplette HTTP-svar fra en selvhostet server og omfattede alle felter i hver anmodning.

Flytning af endepunkter og prissætning af inputtokens

På Workers AI ligger den større model nu på @cf/cloudflare/clairic, mens den mindre variant flyttes til @cf/cloudflare/clairic-flash. Applikationer, der bruger Clairic-endepunktet fra forhåndsvisningen, får automatisk den opdaterede model, efterhånden som den udrulles på det eksisterende endepunkt, og skemaerne for den hostede API forbliver uændrede. Kunder kan i stedet rette omkostningsfølsomme arbejdsopgaver mod det billigere Clairic-flash-endepunkt.

Cloudflare fastsatte standardprisen på Workers AI til $0.24 pr. million inputtokens for Clairic og $0.10 pr. million inputtokens for Clairic-flash uden beregning for outputtokens, selvom den redesignede arkitektur genererer outputtokens. Frem til den 1. december 2026 koster begge modeller $0.10 pr. million inputtokens som led i en kampagne. Derefter ophører rabatten for Clairic, og standardprisen træder i kraft igen.

Udgivelserne introducerer også Workers AI Superintelligence-teamet, som Cloudflare beskriver som frontlinjeforskningsgruppen bag Clef og Clairic. Teamets System One-strategi går ud på at flytte snævert afgrænsede opgaver fra dyre, generelle LLM-kald til mindre, specialbyggede modeller.

Cloudflares prissætning, hvor der kun betales for input, bevarer den oprindelige System One-omkostningsmodel, selv efter overgangen til generering af tokens, mens åbne vægte flytter omkostningerne ved at køre modellerne og kontrollen over på de brugere, der selv kører modellerne. Det åbne spørgsmål er, hvordan de interne resultater kan overføres til produktionsdokumenter, hvor modelkortene overlader det til hver enkelt applikation at fastsætte acceptgrænser for sandsynlighedsscorer.

Theo Nash er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑infrastruktur, beregning og de hardware‑systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag bag store AI‑arbejdsbelastninger, herunder datacentre, acceleratorer, netværk og software‑stakke, der binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøger Theo, hvordan fremskridt inden for GPU’er, specialdesignet silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI‑modeller. Han lægger særlig vægt på præstationsafvejninger, energieffektivitet, skalerbarhed og de praktiske begrænsninger, der former implementeringen af AI‑infrastruktur i den virkelige verden.

Artikler skrevet af Theo Nash er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af det hastigt udviklende AI‑beregningslandskab.