Cloudflare lanza Clairic, su primer modelo de extracción System One

Cloudflare anunció Clairic el 19 de octubre de 2026 y presentó una versión preliminar de lo que describe como el primer modelo de una nueva clase de modelos de extracción System One, alojado en Workers AI y cuyo lanzamiento con pesos abiertos está previsto para más adelante.

El modelo está diseñado para extraer valores tipados de entradas no estructuradas: extrae, calcula, estima y pronostica, en lugar de generar texto. Cloudflare afirma que Clairic lo hace con mayor precisión, menor latencia y menor costo que los modelos de lenguaje grandes tradicionales.

Disponibilidad y precios en Workers AI

Clairic está disponible en versión preliminar como @cf/cloudflare/clairic, invocable desde un Cloudflare Worker con env.AI.run() o a través de la API REST. La documentación del modelo oficial indica una ventana de contexto de 65.536 tokens, compatibilidad con visión y un precio unitario de 0,10 $ por millón de tokens de entrada.

Como el modelo no genera tokens de salida, la facturación se aplica únicamente a la entrada. Cloudflare dijo que tiene previsto publicar los pesos abiertamente después de seguir trabajando en los checkpoints, pero no dio una fecha.

Cómo funciona el modelo de extracción

Una solicitud combina un state, el texto que se debe leer y hasta cuatro imágenes opcionales, con un mapa de campos tipados fields. Los tipos de campo admitidos son texto, número, fecha, hora, fecha y hora, duración, lista, estimación y pronóstico; cada uno puede incluir instrucciones en lenguaje sencillo. El modelo responde a todos los campos en una única pasada directa paralela, sin una etapa de razonamiento ni tokens generados, y Cloudflare afirma que suele responder en menos de un segundo. Los campos que no caben junto con la entrada en una pasada de 8.192 tokens se dividen entre pasadas paralelas, cada una de las cuales procesa la entrada completa; después, los resultados se combinan. La documentación limita las imágenes incrustadas a cuatro archivos PNG, JPEG o WebP de hasta 4 MiB cada uno.

Cada respuesta escalar incluye p_null, la probabilidad de que el valor no esté presente en la entrada y una puntuación de confianza. Los campos de estimación devuelven una distribución dentro de los límites declarados por quien hace la solicitud, con una mediana y un intervalo del 80 % de p10 a p90, y los 99 percentiles si se solicitan. Si la entrada no permite determinar un campo, este devuelve null, con un guess campo que muestra lo que el modelo habría elegido en su lugar, en vez de un valor inventado.

Cloudflare sitúa a Clairic en la categoría System One, junto con los modelos de decisión que lo precedieron. TypeSafe presentó su modelo de decisión Jev aproximadamente un mes antes del anuncio, y Cloudflare lanzó sus modelos de decisión Clef y Clef-flash el 1 de octubre de 2026 y los publicó como código abierto en Hugging Face con una licencia Apache 2.0; Clef se sometió a un entrenamiento posterior sobre modelos base Qwen y es compatible con Jev-API. Mientras que los modelos de decisión clasifican una entrada entre opciones enumeradas y los modelos de lenguaje grandes generan texto abierto, Clairic devuelve directamente valores tipados: fragmentos de texto, números, fechas, listas y distribuciones. La empresa describe las tres categorías como etapas complementarias: la extracción alimenta las decisiones y estas, a su vez, alimentan la respuesta final generada.

Ejemplos documentados y pruebas comunicadas

En el ejemplo de un correo electrónico de atención al cliente de Cloudflare, el modelo calculó un total de 701,10 $ en la misma pasada a partir de un precio indicado de 649,00 $ más 52,10 $ de impuestos; calculó que habían transcurrido 11 días entre la entrega del 28 de septiembre de 2026 y la fecha del mensaje, el 9 de octubre de 2026; identificó «pantalla agrietada» y «esquina abollada» como fragmentos exactos de la entrada, y devolvió null para un número de seguimiento que no aparecía en el correo. En un ejemplo con la fotografía de un recibo, Clairic extrajo el número de pedido, la fecha y hora de compra, la cantidad, el precio unitario, el subtotal, el impuesto sobre las ventas y la propina, junto con puntuaciones de confianza, y devolvió null para un descuento que no figuraba en el recibo.

Como ejemplo de estimación, el anuncio muestra a Clairic valorando una vivienda a partir de textos sobre ventas comparables: el modelo devolvió un valor de 418.000 $ y una mediana de 415.000 $, con un intervalo del 80 % de 370.000 $ a 470.000 $ dentro de los límites establecidos por quien hizo la solicitud. Para el pronóstico, Cloudflare informa de una prueba de 21 días en la que Clairic predijo el número de personas que pasarían por los controles de seguridad aeroportuaria de la TSA al día siguiente, basándose en la serie pública. La empresa afirma que los pronósticos se desviaron un 3,3 % en promedio y que 17 de los 21 recuentos reales quedaron dentro del intervalo del 80 % del modelo; tres de los cuatro valores que quedaron fuera correspondieron al fin de semana del Día de Colón. Para el 14 de octubre de 2026, Cloudflare comunicó un recuento real de 2.419.474 frente a una mediana prevista de 2.419.283.

Cloudflare también informa de una comparación de procesos que combina Clairic con Clef y el modelo de lenguaje GLM-5.3, frente a una versión del mismo flujo de trabajo para reclamaciones por productos dañados que utiliza exclusivamente GLM-5.3. Según la empresa, el proceso en cascada terminó en 19,3 segundos, frente a 61,7 segundos: un 69 % menos de tiempo o unas 3,2 veces más rápido. Además, costó 6.032 $ por millón de reclamaciones, frente a 11.740 $, es decir, un 49 % menos. Clairic y Clef realizaron juntos la extracción y la decisión en menos de un segundo, mientras que GLM-5.3 tardó 38 segundos en completar los mismos dos pasos. Cloudflare afirma que Gemma 4 y Qwen no pudieron deducir valores como el costo de reparación y no superaron la tarea en la versión que utilizaba únicamente modelos de lenguaje grandes. Cloudflare incorporó el flujo de trabajo en una demostración en vivo.

Limitaciones de la versión preliminar y planes para publicar los pesos abiertamente

Cloudflare describe el endpoint actual como un punto de control inicial y enumera varias limitaciones. Según la empresa, las operaciones aritméticas de uno o dos pasos, como calcular totales, diferencias, conversiones y operaciones con fechas, parecen fiables; sin embargo, las cadenas más largas de pasos dependientes y la agregación de muchas filas de una tabla son difíciles para un modelo de una sola pasada sin un bloc de notas auxiliar. Por ello, recomienda confiar en Clairic para las predicciones y realizar los cálculos aritméticos mediante código. Las estimaciones requieren pruebas en los datos de entrada; la calibración se mide, pero no está garantizada, y los intervalos pueden ser demasiado estrechos con datos poco conocidos. Además, las capacidades de predicción son básicas y no sustituyen a los modelos específicos de series temporales.

La empresa recomienda usar las puntuaciones de confianza, p_null y los intervalos para decidir qué tareas automatizar y cuáles derivar para una revisión adicional, porque las respuestas del modelo tienen garantizado un formato correcto, pero no que sean acertadas. Cloudflare afirmó que seguirá trabajando en las capacidades aritméticas, de estimación y de predicción del modelo con cada punto de control, y que después tiene previsto publicar los pesos abiertos de Clairic. Añadió que el nombre alude al trabajo administrativo, la claridad y la clarividencia, y que también sirve como abreviatura del modelo de regresión de IA de Cloudflare.