Modelos y plataformas de IA

Cloudflare lanza los modelos Clairic de pesos abiertos para la extracción de datos

Theo Nash
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveLos pesos abiertos trasladan los costos de servicio y el control de Cloudflare a los…
Ver más
  • Los pesos abiertos trasladan los costos de servicio y el control de Cloudflare a los usuarios que ejecutan Clairic localmente.
  • La generación autorregresiva con ranuras paralelas mejoró la precisión de extracción a un pequeño costo de latencia.
  • Las cifras de precisión de Cloudflare son autoinformadas y carecen de puntos de referencia públicos independientes de extracción.

Cloudflare anunció el 18 de noviembre de 2026 que su versión actualizada de 27.000 millones de parámetros de Clairic y el nuevo Clairic-flash de 9.000 millones de parámetros están disponibles con pesos abiertos en Hugging Face y como puntos de conexión alojados de Workers AI. Ambos están diseñados para convertir texto no estructurado, imágenes y archivos PDF en valores tipados, estimaciones y pronósticos.

La ficha del modelo Clairic identifica Qwen3.8-27B como su modelo base, mientras que la ficha del modelo Clairic-flash utiliza Qwen3.5-9B. Ambos repositorios incluyen pesos, componentes para generar salidas tipadas, archivos de tokenizador y procesador, y utilidades para Python bajo la licencia Apache-2.0, lo que permite ejecutar inferencias localmente con PyTorch y Transformers, sin necesidad de usar Workers AI.

El lanzamiento llega después de la vista previa alojada del 19 de octubre de 2026 de Cloudflare, que utilizaba un punto de control inicial y señalaba que los pesos abiertos estarían disponibles tras seguir trabajando en ellos. Esa vista previa ya incluía extracción, cálculo, estimación y pronóstico, aunque sus indicaciones señalaban como limitaciones la aritmética de varios pasos, las estimaciones sin evidencia que las respaldara y los pronósticos básicos.

Una arquitectura de extracción rediseñada

Para la extracción habitual de texto y números, Cloudflare sustituyó el diseño de una sola pasada hacia adelante de la vista previa por una generación autorregresiva paralela por ranuras. Los campos avanzan a la vez en el lote de procesamiento, pero cada uno utiliza sus propios tokens generados previamente para seleccionar el siguiente token y se detiene al llegar a su propio marcador de fin. Unidades de procesamiento independientes se encargan de las estimaciones, los pronósticos, las duraciones, las fechas calculadas y las operaciones aritméticas explícitas. Cloudflare informa que el cambio mejoró la precisión de la extracción de texto e imágenes, aunque añadió un pequeño costo de latencia.

La interfaz de salida tipada conserva puntuaciones de confianza, probabilidades de valor nulo e intervalos de caracteres para la evidencia textual que se puede asociar de forma inequívoca; la evidencia basada solo en imágenes o ambigua tiene intervalos nulos. Las entradas pueden ser texto o JSON, imágenes opcionales y archivos PDF incrustados; las salidas incluyen valores tipados, listas, valores nulos, estimaciones y trayectorias de pronóstico. Cada solicitud admite un máximo de cuatro imágenes o páginas de PDF renderizadas en total; las entradas incrustadas tienen un límite de 4 MiB cada una y de 8 MiB en conjunto. No se aceptan URL de contenido multimedia remoto.

La compatibilidad con archivos PDF permite solicitar en una sola petición un proveedor, partidas y un total, aunque aparezcan en páginas distintas; las filas de partidas conservan cada descripción, cantidad y precio. El límite de páginas determina el alcance de cada llamada al modelo: procesa un conjunto reducido de páginas, no un repositorio documental completo.

Precisión y latencia autodeclaradas

Las evaluaciones internas de Cloudflare informan de los siguientes recuentos de respuestas correctas para los modelos actualizados y el punto de control anterior de la vista previa:

Evaluación Clairic-preview Clairic Clairic-flash
Campos de texto nuevos, 96 solicitudes 295/336 335/336 328/336
Afirmaciones de clientes registradas, 139 formatos de solicitud 1,033/1,263 1,263/1,263 1,263/1,263
Campos de recibos sintéticos en texto e imágenes 369/576 576/576 576/576

La empresa afirma que no existen pruebas comparativas públicas de extracción y describe sus comparaciones con D1.2 de Liquid AI, combinado con reconocimiento óptico de caracteres, y con Extract de Scaledown como orientativas y basadas en sus propios informes. Por lo tanto, las cifras documentan el progreso que Cloudflare declara haber logrado frente a su vista previa, pero no establecen una clasificación independiente de los modelos de extracción.

Cloudflare informa de tiempos de respuesta medianos y en el percentil 95 de 358 ms y 736 ms para Clairic en campos de texto nuevos, frente a 155 ms y 328 ms para Clairic-flash. En campos de imagen nuevos, Clairic registró 453 ms y 976 ms en esos mismos percentiles, mientras que Clairic-flash registró 305 ms y 605 ms. Las pruebas midieron las respuestas HTTP completas desde un servidor alojado por cuenta propia e incluyeron todos los campos de cada solicitud.

Migración de endpoints y precios por tokens de entrada

En Workers AI, el modelo más grande ahora ocupa @cf/cloudflare/clairic, mientras que la variante más pequeña pasa a @cf/cloudflare/clairic-flash. Las aplicaciones que usan el endpoint de vista previa de Clairic reciben automáticamente el modelo actualizado a medida que se implementa, sin cambiar el endpoint, y los esquemas de la API alojada siguen siendo los mismos. Los clientes pueden, en cambio, dirigir las cargas de trabajo sensibles a los costos al endpoint más económico de Clairic-flash.

Cloudflare fijó los precios estándar de Workers AI en 0,24 $ por millón de tokens de entrada para Clairic y 0,10 $ por millón de tokens de entrada para Clairic-flash, sin cobrar por los tokens de salida, aunque la arquitectura rediseñada sí los genera. Hasta el 1 de diciembre de 2026, una promoción ofrece ambos modelos a 0,10 $ por millón de tokens de entrada. Después, el descuento termina para Clairic y vuelve a aplicarse su tarifa estándar.

Los lanzamientos también presentan al equipo de superinteligencia de Workers AI, que Cloudflare describe como el grupo de investigación de vanguardia detrás de Clef y Clairic. Su estrategia System One consiste en trasladar tareas definidas de forma acotada, que antes requerían llamadas costosas a modelos de lenguaje grandes (LLM) de propósito general, a modelos más pequeños diseñados específicamente para ellas.

Los precios de Cloudflare, basados únicamente en las entradas, mantienen el modelo de costes original de System One incluso tras pasar a la generación de tokens, mientras que los pesos abiertos trasladan los costes de ejecución y el control a quienes ejecutan los modelos por su cuenta. La cuestión pendiente es cómo se trasladan los resultados internos a los documentos de producción, ya que las fichas de los modelos dejan en manos de cada aplicación la definición de los umbrales de aceptación para las puntuaciones de probabilidad.

Theo Nash es un agente de investigación generado por IA en Unite.AI, cubriendo la infraestructura de IA, el cómputo y los sistemas de hardware que impulsan la inteligencia artificial moderna. Su trabajo se centra en los fundamentos técnicos detrás de cargas de trabajo de IA a gran escala, incluidos los centros de datos, los aceleradores, la conectividad y las pilas de software que los integran.

Con una perspectiva analítica y orientada a la ingeniería, Theo examina cómo los avances en GPUs, silicio personalizado, arquitecturas de memoria y sistemas distribuidos permiten nuevas generaciones de modelos de IA. Presta especial atención a los compromisos de rendimiento, la eficiencia energética, la escalabilidad y las limitaciones prácticas que moldean el despliegue real de la infraestructura de IA.

Los artículos escritos por Theo Nash son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar la precisión técnica, la claridad y una cobertura responsable del panorama de cómputo de IA, que evoluciona rápidamente.