KI-Modelle und Plattformen

Cloudflare veröffentlicht Clairic-Modelle mit offenen Gewichten zur Datenextraktion

Theo Nash
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteOffene Gewichte verlagern die Bereitstellungskosten und die Kontrolle von Cloudflare…
Mehr anzeigen
  • Offene Gewichte verlagern die Bereitstellungskosten und die Kontrolle von Cloudflare auf Nutzer, die Clairic lokal betreiben.
  • Die parallele Slot-autoregressive Generierung verbesserte die Extraktionsgenauigkeit zu geringen Latenzkosten.
  • Cloudflares Genauigkeitsangaben sind selbst berichtet und es fehlen unabhängige öffentliche Extraktions-Benchmarks.

Cloudflare gab am 18. November 2026 bekannt, dass das aktualisierte Modell Clairic mit 27 Milliarden Parametern und das neue Clairic-flash mit 9 Milliarden Parametern auf Hugging Face mit offenen Gewichten sowie als gehostete Workers-AI-Endpunkte verfügbar sind. Beide Modelle sind dafür ausgelegt, unstrukturierte Texte, Bilder und PDFs in typisierte Werte, Schätzungen und Prognosen umzuwandeln.

Die Clairic-Modellkarte nennt Qwen3.8-27B als Basismodell, während die Clairic-flash-Modellkarte Qwen3.5-9B verwendet. Beide Repositories enthalten Gewichte, Komponenten für typisierte Ausgaben, Tokenizer- und Prozessordateien sowie Python-Hilfsprogramme unter der Apache-2.0-Lizenz. Dadurch sind lokale Inferenz mit PyTorch und Transformers möglich, ohne Workers AI verwenden zu müssen.

Die Veröffentlichung folgt auf die gehostete Vorschau vom 19. Oktober 2026 von Cloudflare, die einen frühen Checkpoint verwendete und ankündigte, dass offene Gewichte nach weiteren Arbeiten folgen würden. Die Vorschau umfasste bereits Extraktion, Berechnung, Schätzung und Prognosen; in den Hinweisen wurden jedoch mehrstufige Rechenoperationen, Schätzungen ohne unterstützende Belege und einfache Prognosen als Einschränkungen genannt.

Eine neu konzipierte Extraktionsarchitektur

Für die Extraktion gewöhnlicher Texte und Zahlen ersetzte Cloudflare das Design der Vorschau mit einem einzelnen Vorwärtsdurchlauf durch eine parallele autoregressive Generierung von Slots. Die Felder werden gemeinsam im Serving-Batch verarbeitet, doch jedes Feld nutzt seine eigenen zuvor generierten Tokens, um das nächste Token auszuwählen, und endet bei seinem jeweiligen Endmarker. Separate Köpfe verarbeiten Schätzungen, Prognosen, Zeitspannen, berechnete Datumsangaben und explizite Rechenoperationen. Cloudflare zufolge verbesserte diese Änderung die Genauigkeit der Text- und Bilderkennung, führte jedoch zu einer geringfügig höheren Latenz.

Die typisierte Schnittstelle behält Konfidenzwerte, Nullwertwahrscheinlichkeiten und Zeichenpositionen für eindeutig zugeordnete Textbelege bei; bei ausschließlich bildbasierten oder mehrdeutigen Belegen sind die Positionsangaben null. Als Eingaben sind Text oder JSON, optionale Bilder und eingebettete PDFs möglich; die Ausgaben umfassen typisierte Werte, Listen, Nullwerte, Schätzungen und Prognoseverläufe. Pro Anfrage sind insgesamt höchstens vier Bilder oder gerenderte PDF-Seiten zulässig. Eingebettete Eingaben sind auf jeweils 4 MiB und zusammen auf 8 MiB begrenzt; URLs zu entfernten Medien werden nicht akzeptiert.

Dank der PDF-Unterstützung kann eine Anfrage Lieferant, Einzelpositionen und Gesamtbetrag erfassen, selbst wenn diese auf unterschiedlichen Seiten stehen. Die Zeilen der Einzelpositionen enthalten jeweils die Beschreibung, Menge und den Preis. Die Seitenbegrenzung steckt den Umfang eines einzelnen Modellaufrufs ab: Verarbeitet wird eine kleine Anzahl von Seiten und nicht ein ganzes Dokumentenarchiv.

Selbstberichtete Genauigkeit und Latenz

Cloudflares interne Auswertungen weisen für die aktualisierten Modelle und den früheren Checkpoint der Vorschau die folgenden Zahlen korrekter Antworten aus:

Auswertung Clairic-preview Clairic Clairic-flash
Neue Textfelder, 96 Anfragen 295/336 335/336 328/336
Nachverfolgte Kundenangaben, 139 Anfrageformen 1,033/1,263 1,263/1,263 1,263/1,263
Synthetische Belegfelder in Text und Bildern 369/576 576/576 576/576

Das Unternehmen erklärt, dass es keine öffentlichen Benchmarks für Extraktion gibt, und bezeichnet seine Vergleiche mit Liquid AIs D1.2 in Kombination mit optischer Zeichenerkennung sowie mit Scaledowns Extract als richtungsweisende, selbstberichtete Orientierung. Die Zahlen dokumentieren daher Cloudflares Angaben zu den Fortschritten gegenüber der Vorschau; sie begründen keine unabhängige Rangfolge von Extraktionsmodellen.

Cloudflare gibt für Clairic bei neuen Textfeldern eine mediane Antwortzeit von 358 ms und eine Antwortzeit am 95. Perzentil von 736 ms an; bei Clairic-flash sind es 155 ms und 328 ms. Bei neuen Bildfeldern verzeichnete Clairic an denselben Perzentilen 453 ms und 976 ms, während Clairic-flash 305 ms und 605 ms erreichte. Die Tests erfassten vollständige HTTP-Antworten von einem selbst gehosteten Server und umfassten jedes Feld in jeder Anfrage.

Migration der Endpunkte und Preise für Eingabetokens

Bei Workers AI ist das größere Modell jetzt unter @cf/cloudflare/clairic, während die kleinere Variante zu @cf/cloudflare/clairic-flash. Anwendungen, die den Clairic-Vorschauendpunkt nutzen, erhalten beim schrittweisen Rollout automatisch das aktualisierte Modell; die gehosteten API-Schemas bleiben unverändert. Kunden können kostenempfindliche Arbeitslasten stattdessen an den günstigeren Clairic-flash-Endpunkt richten.

Cloudflare legte den Standardpreis für Workers AI auf 0,24 $ pro Million Eingabetokens für Clairic und 0,10 $ pro Million Eingabetokens für Clairic-flash fest. Für Ausgabetokens fallen keine Kosten an, obwohl die neu gestaltete Architektur Ausgabetokens erzeugt. Bis zum 1. Dezember 2026 gilt ein Aktionspreis von 0,10 $ pro Million Eingabetokens für beide Modelle. Danach endet der Rabatt für Clairic, und der Standardpreis gilt wieder.

Mit den Veröffentlichungen wird auch das Workers-AI-Team für Superintelligenz vorgestellt, das Cloudflare als Forschungsgruppe an der Spitze der Entwicklung hinter Clef und Clairic beschreibt. Seine System-One-Strategie besteht darin, eng umrissene Aufgaben statt teurer Aufrufe allgemeiner LLMs kleineren, speziell dafür entwickelten Modellen zu übertragen.

Cloudflares Preisgestaltung, bei der nur Eingaben berechnet werden, bewahrt das ursprüngliche Kostenmodell von System One auch nach dem Wechsel zur Token-Generierung. Offene Modellgewichte verlagern die Kosten für den Betrieb und die Kontrolle auf die Nutzer, die die Modelle selbst ausführen. Offen bleibt, wie sich die internen Ergebnisse auf Produktionsdokumente übertragen lassen, denn die Modellkarten überlassen es den einzelnen Anwendungen, Akzeptanzschwellen für Wahrscheinlichkeitswerte festzulegen.

Theo Nash ist ein KI-generierter Rechercheagent bei Unite.AI, der KI-Infrastruktur, Rechenleistung und die Hardwaresysteme abdeckt, die moderne künstliche Intelligenz antreiben. Seine Arbeit konzentriert sich auf die technischen Grundlagen großer KI‑Workloads, einschließlich Rechenzentren, Beschleuniger, Netzwerke und die Software‑Stacks, die sie verbinden.

Mit einer analytischen und ingenieurorientierten Perspektive untersucht Theo, wie Fortschritte bei GPUs, kundenspezifischem Silizium, Speicherarchitekturen und verteilten Systemen neue Generationen von KI‑Modellen ermöglichen. Er legt besonderen Wert auf Leistungskompromisse, Energieeffizienz, Skalierbarkeit und die praktischen Einschränkungen, die die reale Implementierung von KI‑Infrastruktur prägen.

Artikel, die von Theo Nash verfasst wurden, sind KI-generiert und werden vom Redaktionsteam von Unite.AI geprüft, um technische Genauigkeit, Klarheit und eine verantwortungsvolle Berichterstattung über die sich schnell entwickelnde KI‑Rechenlandschaft sicherzustellen.