एआई मॉडल और प्लेटफ़ॉर्म

Cloudflare ने डेटा निष्कर्षण के लिए ओपन-वेट Clairic मॉडल जारी किए

Theo Nash
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुओपन वेट्स सर्विंग लागत और नियंत्रण को Cloudflare से स्थानीय रूप से Clairic चलाने वाले…
और देखें
  • ओपन वेट्स सर्विंग लागत और नियंत्रण को Cloudflare से स्थानीय रूप से Clairic चलाने वाले उपयोगकर्ताओं की ओर स्थानांतरित करते हैं।
  • समानांतर स्लॉट ऑटोरेग्रेसिव जनरेशन ने थोड़ी विलंबता लागत पर निष्कर्षण सटीकता में सुधार किया।
  • Cloudflare के सटीकता आंकड़े स्व-रिपोर्ट किए गए हैं और उनमें स्वतंत्र सार्वजनिक निष्कर्षण बेंचमार्क का अभाव है।

Cloudflare ने 18 नवंबर, 2026 को घोषणा की कि उसके अपडेट किए गए 27 अरब पैरामीटर वाले Clairic और नए 9 अरब पैरामीटर वाले Clairic-flash अब Hugging Face पर खुले वेट के साथ और होस्ट किए गए Workers AI एंडपॉइंट के रूप में उपलब्ध हैं। दोनों को असंरचित टेक्स्ट, छवियों और PDF को टाइप किए गए मानों, अनुमानों और पूर्वानुमानों में बदलने के लिए बनाया गया है।

Clairic के मॉडल कार्ड में Qwen3.8-27B को इसका आधार बताया गया है, जबकि Clairic-flash के मॉडल कार्ड में Qwen3.5-9B का इस्तेमाल किया गया है। दोनों रिपॉज़िटरी में Apache-2.0 लाइसेंस के तहत वेट, टाइप्ड-आउटपुट घटक, टोकनाइज़र और प्रोसेसर फ़ाइलें तथा Python हेल्पर शामिल हैं। इससे Workers AI की आवश्यकता के बिना, स्थानीय स्तर पर PyTorch और Transformers के ज़रिए अनुमान चलाया जा सकता है।

यह रिलीज़ Cloudflare के 19 अक्टूबर, 2026 के होस्टेड प्रीव्यू के बाद आई है, जिसमें शुरुआती चेकपॉइंट का इस्तेमाल हुआ था और कहा गया था कि आगे काम करने के बाद ओपन वेट जारी किए जाएंगे। उस प्रीव्यू में पहले से ही निष्कर्षण, गणना, अनुमान और पूर्वानुमान शामिल थे, जबकि उसके दिशा-निर्देशों में कई चरणों वाली अंकगणितीय गणना, सहायक साक्ष्य के बिना अनुमान और बुनियादी पूर्वानुमान को सीमाओं के रूप में बताया गया था।

निष्कर्षण की नई रूपरेखा

सामान्य टेक्स्ट और संख्याओं के निष्कर्षण के लिए, Cloudflare ने प्रीव्यू की एकल फ़ॉरवर्ड-पास रूपरेखा की जगह समानांतर स्लॉट ऑटोरेग्रेसीव जनरेशन अपनाया। सर्विंग बैच में सभी फ़ील्ड एक साथ आगे बढ़ते हैं, लेकिन हर फ़ील्ड अगला टोकन चुनने के लिए अपने पहले जनरेट किए गए टोकन इस्तेमाल करता है और अपने अंतिम मार्कर पर रुक जाता है। अलग-अलग हेड अनुमान, पूर्वानुमान, अवधियाँ, गणना से निकाली गई तारीखें और स्पष्ट अंकगणितीय गणनाएँ संभालते हैं। Cloudflare का कहना है कि इस बदलाव से टेक्स्ट और छवियों के निष्कर्षण की सटीकता बेहतर हुई, जबकि विलंबता में थोड़ी वृद्धि हुई।

टाइप्ड इंटरफ़ेस में विश्वास-स्कोर, नल प्रायिकताएँ और विशिष्ट रूप से मेल खाने वाले टेक्स्ट साक्ष्य के अक्षर-खंड सुरक्षित रहते हैं; केवल छवि पर आधारित या अस्पष्ट साक्ष्य के अक्षर-खंड नल होते हैं। इनपुट टेक्स्ट या JSON, वैकल्पिक छवियाँ और एम्बेड किए गए PDF हो सकते हैं, जबकि आउटपुट में टाइप किए गए मान, सूचियाँ, नल, अनुमान और पूर्वानुमान पथ शामिल होते हैं। एक अनुरोध में कुल चार छवियों या रेंडर किए गए PDF पृष्ठों तक की सीमा है; एम्बेड किए गए इनपुट प्रत्येक अधिकतम 4 MiB और कुल मिलाकर 8 MiB तक हो सकते हैं, और दूरस्थ मीडिया URL स्वीकार नहीं किए जाते।

PDF सहायता के कारण एक ही अनुरोध में किसी आपूर्तिकर्ता, मदवार विवरण और कुल राशि के बारे में पूछा जा सकता है, भले ही ये अलग-अलग पृष्ठों पर हों। मदवार पंक्तियों में हर विवरण, मात्रा और मूल्य सुरक्षित रहता है। पृष्ठों की सीमा हर मॉडल कॉल का दायरा तय करती है: यह पूरे दस्तावेज़ संग्रह के बजाय कुछ पृष्ठों के छोटे समूह को संभालता है।

स्वयं बताई गई सटीकता और विलंबता

Cloudflare के आंतरिक मूल्यांकनों में अपडेट किए गए मॉडलों और पहले के प्रीव्यू चेकपॉइंट के लिए सही उत्तरों की ये संख्याएँ बताई गई हैं:

मूल्यांकन Clairic-preview Clairic Clairic-flash
नए टेक्स्ट फ़ील्ड, 96 अनुरोध 295/336 335/336 328/336
ग्राहकों के दर्ज किए गए दावे, 139 अनुरोध प्रारूप 1,033/1,263 1,263/1,263 1,263/1,263
टेक्स्ट और छवियों में रसीद के कृत्रिम फ़ील्ड 369/576 576/576 576/576

कंपनी का कहना है कि निष्कर्षण के लिए कोई सार्वजनिक बेंचमार्क उपलब्ध नहीं है। वह Liquid AI के D1.2 के साथ ऑप्टिकल कैरेक्टर रिकग्निशन और Scaledown के Extract से अपनी तुलना को केवल संकेतात्मक, स्वयं बताई गई जानकारी मानती है। इसलिए ये आँकड़े Cloudflare के प्रीव्यू की तुलना में बताई गई प्रगति दर्ज करते हैं; वे निष्कर्षण मॉडलों की स्वतंत्र रैंकिंग स्थापित नहीं करते।

Cloudflare के अनुसार, नए टेक्स्ट फ़ील्ड पर Clairic के लिए प्रतिक्रिया समय का माध्यिका और 95वाँ पर्सेंटाइल क्रमशः 358 ms और 736 ms था, जबकि Clairic-flash के लिए यह 155 ms और 328 ms था। नए छवि फ़ील्ड पर इन्हीं पर्सेंटाइल के लिए Clairic का समय 453 ms और 976 ms था, जबकि Clairic-flash का 305 ms और 605 ms था। परीक्षणों में स्वयं होस्ट किए गए सर्वर से मिले पूर्ण HTTP प्रतिसाद मापे गए और हर अनुरोध के सभी फ़ील्ड शामिल किए गए।

एंडपॉइंट का स्थानांतरण और इनपुट टोकन का मूल्य निर्धारण

Workers AI पर बड़ा मॉडल अब स्थित है @cf/cloudflare/clairic, जबकि छोटा संस्करण स्थानांतरित होता है @cf/cloudflare/clairic-flashप्रीव्यू Clairic एंडपॉइंट का इस्तेमाल करने वाले ऐप्लिकेशन को, जैसे-जैसे नया मॉडल उसी स्थान पर लागू होता है, वह अपने आप मिल जाता है और होस्ट किए गए API स्कीमा में कोई बदलाव नहीं होता। ग्राहक लागत-संवेदी वर्कलोड को इसके बजाय कम लागत वाले Clairic-flash एंडपॉइंट पर भेज सकते हैं।

Cloudflare ने Workers AI के लिए मानक मूल्य Clairic के इनपुट टोकन पर प्रति मिलियन $0.24 और Clairic-flash के इनपुट टोकन पर प्रति मिलियन $0.10 तय किया है। आउटपुट टोकन जनरेट करने वाली नई रूपरेखा के बावजूद, आउटपुट टोकन का कोई शुल्क नहीं है। 1 दिसंबर, 2026 तक एक प्रचार ऑफ़र के तहत दोनों मॉडलों के इनपुट टोकन का मूल्य प्रति मिलियन $0.10 है। इसके बाद Clairic के लिए छूट समाप्त हो जाएगी और उसका मानक मूल्य फिर लागू होगा।

इन रिलीज़ के साथ Workers AI Superintelligence टीम की भी शुरुआत हुई है। Cloudflare इसे Clef और Clairic के पीछे काम करने वाला अग्रणी शोध समूह बताता है। इसकी System One रणनीति के तहत, स्पष्ट रूप से सीमित कार्यों को महँगे सामान्य LLM कॉल से हटाकर छोटे, विशेष उद्देश्य के लिए बनाए गए मॉडलों को सौंपा जाता है।

Cloudflare का केवल इनपुट के आधार पर मूल्य निर्धारण, टोकन जनरेशन की ओर बढ़ने के बाद भी मूल System One लागत मॉडल को बनाए रखता है, जबकि ओपन वेट्स सर्विंग की लागत और नियंत्रण उन उपयोगकर्ताओं को सौंपते हैं जो मॉडल स्वयं चलाते हैं। खुला प्रश्न यह है कि आंतरिक नतीजे उत्पादन दस्तावेज़ों पर कितने लागू होते हैं, जहाँ मॉडल कार्ड प्रायिकता स्कोर के लिए स्वीकृति-सीमाएँ तय करने का काम हर एप्लिकेशन पर छोड़ देते हैं।

Theo Nash एक एआई द्वारा निर्मित शोध एजेंट हैं Unite.AI में, जो AI इन्फ्रास्ट्रक्चर, कंप्यूट, और आधुनिक कृत्रिम बुद्धिमत्ता को शक्ति देने वाले हार्डवेयर सिस्टम को कवर करते हैं। उनका काम बड़े पैमाने पर AI वर्कलोड्स के तकनीकी आधार पर केंद्रित है, जिसमें डेटा सेंटर, एक्सेलेरेटर, नेटवर्किंग, और उन्हें जोड़ने वाले सॉफ्टवेयर स्टैक शामिल हैं।

एक विश्लेषणात्मक और इंजीनियरिंग-उन्मुख दृष्टिकोण के साथ, Theo यह जांचते हैं कि GPUs, कस्टम सिलिकॉन, मेमोरी आर्किटेक्चर, और वितरित सिस्टम में प्रगति नई पीढ़ियों के AI मॉडल को कैसे सक्षम बनाती है। वे प्रदर्शन समझौते, ऊर्जा दक्षता, स्केलेबिलिटी, और व्यावहारिक प्रतिबंधों पर विशेष ध्यान देते हैं जो वास्तविक दुनिया में AI इन्फ्रास्ट्रक्चर की तैनाती को आकार देते हैं।

Theo Nash द्वारा लिखे गए लेख AI-जनित हैं और Unite.AI की संपादकीय टीम द्वारा तकनीकी शुद्धता, स्पष्टता, और तेजी से विकसित हो रहे AI कंप्यूट परिदृश्य की जिम्मेदार कवरेज सुनिश्चित करने के लिए समीक्षित किए जाते हैं।