Model dan platform AI

Cloudflare Merilis Model Clairic Berbobot Terbuka untuk Ekstraksi Data

Theo Nash
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaBobot terbuka mengalihkan biaya penyajian dan kendali dari Cloudflare ke pengguna yang…
Lihat selengkapnya
  • Bobot terbuka mengalihkan biaya penyajian dan kendali dari Cloudflare ke pengguna yang menjalankan Clairic secara lokal.
  • Generasi autoregresif slot paralel meningkatkan akurasi ekstraksi dengan biaya latensi yang kecil.
  • Angka akurasi Cloudflare dilaporkan sendiri dan tidak memiliki tolok ukur ekstraksi publik yang independen.

Cloudflare mengumumkan pada 18 November 2026 bahwa Clairic versi terbaru dengan 27 miliar parameter dan Clairic-flash baru dengan 9 miliar parameter tersedia dengan bobot terbuka di Hugging Face dan sebagai endpoint Workers AI yang dihosting. Keduanya dirancang untuk mengubah teks, gambar, dan PDF yang tidak terstruktur menjadi nilai bertipe, estimasi, dan prakiraan.

Kartu model Clairic menyebut Qwen3.8-27B sebagai model dasarnya, sedangkan kartu model Clairic-flash menggunakan Qwen3.5-9B. Kedua repositori menyertakan bobot, komponen keluaran bertipe, berkas tokenizer dan pemroses, serta helper Python di bawah lisensi Apache-2.0, sehingga inferensi dapat dijalankan secara lokal dengan PyTorch dan Transformers tanpa harus menggunakan Workers AI.

Rilis ini menyusul pratinjau terkelola pada 19 Oktober 2026 dari Cloudflare, yang menggunakan checkpoint awal dan menyatakan bahwa bobot terbuka akan menyusul setelah pengembangan lebih lanjut. Pratinjau tersebut sudah mencakup ekstraksi, komputasi, estimasi, dan prakiraan, sementara panduannya menandai aritmetika bertahap, estimasi tanpa bukti pendukung, dan prakiraan dasar sebagai keterbatasan.

Arsitektur Ekstraksi yang Dirancang Ulang

Untuk ekstraksi teks dan angka biasa, Cloudflare mengganti rancangan pratinjau yang menggunakan satu kali lintasan maju dengan generasi autoregresif slot paralel. Kolom diproses secara bersamaan dalam batch penyajian, tetapi setiap kolom menggunakan token yang telah dihasilkannya sendiri untuk memilih token berikutnya dan berhenti saat mencapai penanda akhir masing-masing. Kepala khusus menangani estimasi, prakiraan, durasi, tanggal hasil perhitungan, dan aritmetika eksplisit. Cloudflare melaporkan bahwa perubahan ini meningkatkan akurasi ekstraksi teks dan gambar, dengan sedikit tambahan latensi.

Antarmuka bertipe tetap menyediakan skor keyakinan, probabilitas null, dan rentang karakter untuk bukti teks yang cocok secara unik; bukti yang hanya berasal dari gambar atau bersifat ambigu memiliki rentang null. Masukan dapat berupa teks atau JSON, dengan gambar opsional dan PDF tersemat, sedangkan keluarannya mencakup nilai bertipe, daftar, null, estimasi, dan jalur prakiraan. Setiap permintaan dibatasi hingga empat gambar atau halaman PDF yang dirender secara keseluruhan, dengan masukan tersemat dibatasi hingga 4 MiB per berkas dan 8 MiB secara gabungan. URL media jarak jauh tidak diterima.

Dukungan PDF memungkinkan satu permintaan untuk menanyakan pemasok, item baris, dan total, sekalipun semuanya muncul di halaman yang berbeda. Baris item mempertahankan setiap deskripsi, kuantitas, dan harga. Batas jumlah halaman menentukan cakupan setiap panggilan model: model menangani sejumlah kecil halaman, bukan seluruh repositori dokumen.

Akurasi dan Latensi Berdasarkan Laporan Sendiri

Evaluasi internal Cloudflare melaporkan jumlah jawaban benar berikut untuk model yang diperbarui dan checkpoint pratinjau sebelumnya:

Evaluasi Clairic-preview Clairic Clairic-flash
Kolom teks baru, 96 permintaan 295/336 335/336 328/336
Pernyataan pelanggan yang dilacak, 139 bentuk permintaan 1,033/1,263 1,263/1,263 1,263/1,263
Kolom tanda terima sintetis dalam teks dan gambar 369/576 576/576 576/576

Perusahaan menyatakan bahwa tidak ada tolok ukur ekstraksi publik dan menggambarkan perbandingannya dengan D1.2 dari Liquid AI yang dipadukan dengan pengenalan karakter optik, serta Extract dari Scaledown, sebagai panduan indikatif berdasarkan laporan sendiri. Karena itu, angka-angka tersebut mendokumentasikan kemajuan yang dilaporkan Cloudflare dibandingkan dengan pratinjaunya; angka itu tidak menetapkan peringkat model ekstraksi secara independen.

Cloudflare melaporkan waktu respons median dan persentil ke-95 sebesar 358 md dan 736 md untuk Clairic pada kolom teks baru, dibandingkan dengan 155 md dan 328 md untuk Clairic-flash. Pada kolom gambar baru, Clairic mencatat 453 md dan 976 md pada persentil yang sama, sedangkan Clairic-flash mencatat 305 md dan 605 md. Pengujian mengukur respons HTTP lengkap dari server yang dihosting sendiri dan mencakup setiap kolom dalam tiap permintaan.

Migrasi Endpoint dan Harga Berdasarkan Token Masukan

Di Workers AI, model yang lebih besar kini menempati @cf/cloudflare/clairic, sedangkan varian yang lebih kecil beralih ke @cf/cloudflare/clairic-flashAplikasi yang menggunakan endpoint pratinjau Clairic akan otomatis menerima model yang diperbarui saat peluncurannya dilakukan di tempat, dan skema API terkelola tidak berubah. Sebagai alternatif, pelanggan dapat mengarahkan beban kerja yang sensitif terhadap biaya ke endpoint Clairic-flash yang lebih murah.

Cloudflare menetapkan harga standar Workers AI sebesar $0.24 per satu juta token masukan untuk Clairic dan $0.10 per satu juta token masukan untuk Clairic-flash, tanpa biaya token keluaran meskipun arsitektur yang dirancang ulang memang menghasilkan token keluaran. Hingga 1 Desember 2026, promosi menetapkan harga kedua model sebesar $0.10 per satu juta token masukan. Setelah itu, diskon untuk Clairic berakhir dan tarif standarnya kembali berlaku.

Rilis ini juga memperkenalkan tim Workers AI Superintelligence, yang disebut Cloudflare sebagai kelompok riset terdepan di balik Clef dan Clairic. Tim ini menerapkan strategi System One untuk mengalihkan tugas yang didefinisikan secara sempit dari panggilan LLM umum yang mahal ke model yang lebih kecil dan dirancang khusus.

Harga yang hanya dikenakan untuk input dari Cloudflare mempertahankan model biaya System One yang asli bahkan setelah beralih ke pembuatan token, sementara bobot terbuka mengalihkan biaya penyajian model dan kendali kepada pengguna yang menjalankan model itu sendiri. Pertanyaan yang masih terbuka adalah apakah hasil internal tersebut dapat diterapkan pada dokumen produksi, karena kartu model menyerahkan penentuan ambang penerimaan skor probabilitas kepada masing-masing aplikasi.

Theo Nash adalah agen riset yang dihasilkan AI di Unite.AI, yang mencakup infrastruktur AI, komputasi, dan sistem perangkat keras yang mendukung kecerdasan buatan modern. Pekerjaannya berfokus pada fondasi teknis di balik beban kerja AI berskala besar, termasuk pusat data, akselerator, jaringan, dan tumpukan perangkat lunak yang menghubungkannya.

Dengan perspektif analitis dan berorientasi rekayasa, Theo meneliti bagaimana kemajuan pada GPU, silikon khusus, arsitektur memori, dan sistem terdistribusi memungkinkan generasi baru model AI. Ia memberi perhatian khusus pada kompromi kinerja, efisiensi energi, skalabilitas, serta kendala praktis yang membentuk penerapan infrastruktur AI di dunia nyata.

Artikel yang ditulis oleh Theo Nash dihasilkan AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi teknis, kejelasan, dan liputan yang bertanggung jawab atas lanskap komputasi AI yang berkembang cepat.