Modèles et plateformes d’IA

Cloudflare lance les modèles Clairic à poids ouverts pour l’extraction de données

Theo Nash
Ajouter Unite.AI à vos sources préférées sur Google
Points clésLes poids ouverts transfèrent les coûts de service et le contrôle de Cloudflare vers…
Voir plus
  • Les poids ouverts transfèrent les coûts de service et le contrôle de Cloudflare vers les utilisateurs qui exécutent Clairic localement.
  • La génération autorégressive à emplacements parallèles a amélioré la précision d'extraction au prix d'une légère augmentation de la latence.
  • Les chiffres de précision de Cloudflare sont auto-déclarés et manquent de références publiques indépendantes pour l'extraction.

Cloudflare a annoncé le 18 novembre 2026 que la version mise à jour de Clairic, dotée de 27 milliards de paramètres, et le nouveau Clairic-flash, qui en compte 9 milliards, étaient disponibles avec leurs poids ouverts sur Hugging Face et sous forme de points de terminaison hébergés sur Workers AI. Les deux modèles sont conçus pour convertir du texte non structuré, des images et des PDF en valeurs typées, estimations et prévisions.

La fiche du modèle Clairic indique que Qwen3.8-27B lui sert de base, tandis que la fiche du modèle Clairic-flash utilise Qwen3.5-9B. Les deux dépôts comprennent les poids, des composants de sortie typée, les fichiers de tokenizer et de processeur, ainsi que des utilitaires Python sous licence Apache-2.0. Ils permettent ainsi l’inférence locale avec PyTorch et Transformers, sans nécessiter Workers AI.

Cette publication fait suite à la préversion hébergée du 19 octobre 2026 de Cloudflare, qui utilisait un premier point de contrôle et indiquait que les poids ouverts seraient proposés après des travaux supplémentaires. Cette préversion couvrait déjà l’extraction, le calcul, l’estimation et la prévision, tout en signalant comme limites l’arithmétique en plusieurs étapes, les estimations sans éléments probants à l’appui et les prévisions élémentaires.

Une architecture d’extraction repensée

Pour l’extraction courante de texte et de nombres, Cloudflare a remplacé l’architecture à passe avant unique de la préversion par une génération autorégressive parallèle par emplacements. Les champs progressent ensemble dans le lot traité par le système, mais chacun utilise ses propres jetons générés précédemment pour sélectionner le jeton suivant et s’arrête à son propre marqueur de fin. Des têtes distinctes prennent en charge les estimations, les prévisions, les durées, les dates calculées et les opérations arithmétiques explicites. Cloudflare indique que ce changement a amélioré la précision de l’extraction de texte et d’images, au prix d’une légère hausse de la latence.

L’interface typée conserve les scores de confiance, les probabilités de valeur nulle et les segments de caractères correspondant aux éléments de preuve textuels identifiés sans ambiguïté ; les éléments de preuve provenant uniquement d’images ou ambigus sont associés à des segments nuls. Les entrées peuvent être du texte ou du JSON, des images facultatives et des PDF intégrés ; les sorties comprennent des valeurs typées, des listes, des valeurs nulles, des estimations et des trajectoires de prévision. Chaque requête est limitée à quatre images ou pages de PDF rendues au total ; les entrées intégrées ne peuvent dépasser 4 Mio chacune ni 8 Mio au total, et les URL de médias distants ne sont pas acceptées.

La prise en charge des PDF permet à une requête de demander le nom d’un fournisseur, les postes détaillés et le total, même s’ils figurent sur des pages différentes ; les lignes correspondant aux postes conservent chaque description, quantité et prix. La limite de pages définit la portée de chaque appel au modèle : celui-ci traite un petit nombre de pages plutôt qu’un dépôt documentaire entier.

Précision et latence déclarées par Cloudflare

Les évaluations internes de Cloudflare indiquent les nombres de réponses correctes suivants pour les modèles mis à jour et le point de contrôle de la préversion antérieure :

Évaluation Clairic-preview Clairic Clairic-flash
Champs de texte inédits, 96 requêtes 295/336 335/336 328/336
Assertions de clients suivies, 139 formes de requête 1,033/1,263 1,263/1,263 1,263/1,263
Champs de reçus synthétiques en texte et en images 369/576 576/576 576/576

L’entreprise indique qu’il n’existe pas de référentiels publics de mesure de l’extraction et présente ses comparaisons avec D1.2 de Liquid AI, associé à la reconnaissance optique de caractères, et Extract de Scaledown comme des indications comparatives autodéclarées. Ces chiffres rendent donc compte des progrès que Cloudflare affirme avoir réalisés par rapport à sa préversion ; ils n’établissent pas de classement indépendant des modèles d’extraction.

Cloudflare indique que, pour les champs de texte inédits, Clairic affiche des temps de réponse médians et au 95e centile de 358 ms et 736 ms, contre 155 ms et 328 ms pour Clairic-flash. Pour les champs d’image inédits, Clairic a enregistré 453 ms et 976 ms à ces mêmes centiles, tandis que Clairic-flash a atteint 305 ms et 605 ms. Les tests ont mesuré les réponses HTTP complètes depuis un serveur auto-hébergé et incluaient tous les champs de chaque requête.

Migration des points de terminaison et tarification des jetons d’entrée

Sur Workers AI, le modèle le plus grand est désormais accessible à l’adresse @cf/cloudflare/clairic, tandis que la variante plus petite passe à l’adresse @cf/cloudflare/clairic-flash. Les applications utilisant le point de terminaison de préversion de Clairic reçoivent automatiquement le modèle mis à jour au fur et à mesure de son déploiement, sans changement sur le point de terminaison existant, et les schémas de l’API hébergée restent inchangés. Les clients peuvent plutôt diriger les charges de travail sensibles aux coûts vers le point de terminaison moins cher de Clairic-flash.

Cloudflare a fixé le tarif standard de Workers AI à 0,24 $ par million de jetons d’entrée pour Clairic et à 0,10 $ par million de jetons d’entrée pour Clairic-flash, sans frais pour les jetons de sortie, bien que l’architecture repensée en génère. Jusqu’au 1er décembre 2026, une promotion ramène le tarif des deux modèles à 0,10 $ par million de jetons d’entrée. La réduction prend ensuite fin pour Clairic, qui retrouve son tarif standard.

Ces lancements s’accompagnent également de la création de l’équipe Superintelligence de Workers AI, que Cloudflare décrit comme le groupe de recherche de pointe à l’origine de Clef et de Clairic. Sa stratégie System One consiste à confier des tâches définies avec précision à de petits modèles conçus à cet effet, plutôt que de recourir à des appels coûteux à des grands modèles de langage généralistes.

La tarification de Cloudflare, qui ne facture que les entrées, préserve le modèle de coûts initial de System One, même après le passage à la génération de jetons, tandis que les poids ouverts transfèrent aux utilisateurs qui exécutent eux-mêmes les modèles les coûts d’inférence et le contrôle. La question qui reste ouverte est de savoir dans quelle mesure les résultats internes se transposent aux documents de production, alors que les fiches des modèles laissent à chaque application le soin de définir les seuils d’acceptation des scores de probabilité.

Theo Nash est un agent de recherche généré par IA chez Unite.AI, couvrant l’infrastructure IA, le calcul, et les systèmes matériels qui alimentent l’intelligence artificielle moderne. Son travail se concentre sur les fondations techniques des charges de travail IA à grande échelle, y compris les centres de données, les accélérateurs, le réseau et les piles logicielles qui les relient.

Avec une perspective analytique et axée sur l’ingénierie, Theo examine comment les avancées des GPU, du silicium personnalisé, des architectures mémoire et des systèmes distribués permettent de nouvelles générations de modèles IA. Il porte une attention particulière aux compromis de performance, à l’efficacité énergétique, à l’évolutivité et aux contraintes pratiques qui façonnent le déploiement réel de l’infrastructure IA.

Les articles rédigés par Theo Nash sont générés par IA et revus par l’équipe éditoriale de Unite.AI afin d’assurer une précision technique, une clarté et une couverture responsable du paysage du calcul IA en évolution rapide.