Modelli e piattaforme di IA

Cloudflare lancia modelli Clairic open-weight per l’estrazione dei dati

Theo Nash
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveI pesi aperti spostano i costi di servizio e il controllo da Cloudflare agli utenti che…
Vedi di più
  • I pesi aperti spostano i costi di servizio e il controllo da Cloudflare agli utenti che eseguono Clairic localmente.
  • La generazione autoregressiva con slot paralleli ha migliorato l'accuratezza dell'estrazione a un piccolo costo in latenza.
  • Le cifre di accuratezza di Cloudflare sono auto-dichiarate e mancano di benchmark pubblici indipendenti per l'estrazione.

Cloudflare ha annunciato il 18 novembre 2026 che la versione aggiornata da 27 miliardi di parametri di Clairic e il nuovo Clairic-flash da 9 miliardi di parametri sono disponibili con pesi aperti su Hugging Face e come endpoint ospitati di Workers AI. Entrambi sono progettati per trasformare testo non strutturato, immagini e PDF in valori tipizzati, stime e previsioni.

La scheda del modello Clairic indica Qwen3.8-27B come modello di base, mentre la scheda del modello Clairic-flash utilizza Qwen3.5-9B. Entrambi i repository includono pesi, componenti per l’output tipizzato, file di tokenizer e processore e strumenti ausiliari per Python, con licenza Apache-2.0, consentendo l’inferenza locale con PyTorch e Transformers senza dover ricorrere a Workers AI.

Il rilascio segue la preview ospitata del 19 ottobre 2026 di Cloudflare, che utilizzava un checkpoint preliminare e annunciava che i pesi aperti sarebbero arrivati dopo ulteriori sviluppi. Quella preview includeva già l’estrazione, il calcolo, la stima e la previsione, mentre la documentazione segnalava come limiti l’aritmetica in più passaggi, le stime prive di prove a supporto e le previsioni di base.

Un’architettura di estrazione riprogettata

Per l’estrazione di testo e numeri ordinari, Cloudflare ha sostituito l’architettura della preview, basata su un singolo passaggio in avanti, con una generazione autoregressiva parallela per slot. I campi procedono insieme nel batch di inferenza, ma ciascuno utilizza i token generati in precedenza per selezionare il token successivo e si ferma al proprio marcatore di fine. Moduli separati gestiscono stime, previsioni, durate, date calcolate e operazioni aritmetiche esplicite. Cloudflare riferisce che questa modifica ha migliorato la precisione nell’estrazione di testo e immagini, comportando un lieve aumento della latenza.

L’interfaccia tipizzata mantiene i punteggi di confidenza, le probabilità di valore nullo e gli intervalli di caratteri per le prove testuali abbinate in modo univoco; le prove basate solo su immagini o ambigue hanno intervalli nulli. Gli input possono essere testo o JSON, immagini facoltative e PDF incorporati, mentre gli output includono valori tipizzati, elenchi, valori nulli, stime e percorsi previsionali. Ogni richiesta è limitata a un totale di quattro immagini o pagine PDF renderizzate; gli input incorporati non possono superare 4 MiB ciascuno e 8 MiB complessivi, e non sono accettati URL di contenuti multimediali remoti.

Il supporto per i PDF consente di chiedere in un’unica richiesta il fornitore, le voci e il totale anche quando compaiono su pagine diverse, mantenendo per ogni riga delle voci la descrizione, la quantità e il prezzo. Il limite di pagine definisce l’ambito di ogni chiamata al modello: questa gestisce un numero ridotto di pagine, non un intero archivio di documenti.

Precisione e latenza dichiarate

Le valutazioni interne di Cloudflare riportano i seguenti conteggi di risposte corrette per i modelli aggiornati e il checkpoint della preview precedente:

Valutazione Clairic-preview Clairic Clairic-flash
Campi di testo inediti, 96 richieste 295/336 335/336 328/336
Affermazioni dei clienti monitorate, 139 strutture di richiesta 1,033/1,263 1,263/1,263 1,263/1,263
Campi di ricevute sintetiche in testo e immagini 369/576 576/576 576/576

L’azienda afferma che non esistono benchmark pubblici per l’estrazione e definisce i confronti con D1.2 di Liquid AI, abbinato al riconoscimento ottico dei caratteri, e con Extract di Scaledown indicazioni orientative basate sui propri dati. I dati documentano quindi i progressi dichiarati da Cloudflare rispetto alla propria preview, ma non stabiliscono una graduatoria indipendente dei modelli di estrazione.

Cloudflare riporta, per i campi di testo inediti, tempi di risposta mediani e al 95º percentile di 358 ms e 736 ms per Clairic, contro 155 ms e 328 ms per Clairic-flash. Per i campi immagine inediti, Clairic ha registrato rispettivamente 453 ms e 976 ms agli stessi percentili, mentre Clairic-flash ha registrato 305 ms e 605 ms. I test hanno misurato le risposte HTTP complete da un server self-hosted e includevano tutti i campi di ciascuna richiesta.

Migrazione degli endpoint e prezzi basati sui token di input

Su Workers AI, il modello più grande ora occupa @cf/cloudflare/clairic, mentre la variante più piccola passa a @cf/cloudflare/clairic-flash. Le applicazioni che utilizzano l’endpoint Clairic della preview ricevono automaticamente il modello aggiornato man mano che viene distribuito al suo posto, e gli schemi dell’API ospitata restano invariati. I clienti possono invece indirizzare i carichi di lavoro sensibili ai costi all’endpoint Clairic-flash, più economico.

Cloudflare ha fissato i prezzi standard di Workers AI a 0,24 $ per milione di token di input per Clairic e a 0,10 $ per milione di token di input per Clairic-flash, senza costi per i token di output, anche se la nuova architettura genera effettivamente token di output. Fino al 1º dicembre 2026, una promozione offre entrambi i modelli a 0,10 $ per milione di token di input. In seguito, lo sconto per Clairic termina e torna in vigore la tariffa standard.

I rilasci introducono anche il team Workers AI Superintelligence, che Cloudflare descrive come il gruppo di ricerca all’avanguardia alla base di Clef e Clairic, con una strategia System One volta a trasferire attività definite in modo circoscritto da costose chiamate a modelli LLM generalisti a modelli più piccoli e progettati per uno scopo specifico.

La tariffazione di Cloudflare, basata solo sugli input, mantiene il modello di costo originale di System One anche dopo il passaggio alla generazione di token, mentre i pesi aperti trasferiscono i costi di esecuzione e il controllo agli utenti che gestiscono autonomamente i modelli. Resta da capire come i risultati interni si trasferiscano ai documenti in produzione, poiché le schede dei modelli lasciano a ciascuna applicazione la definizione delle soglie di accettazione dei punteggi di probabilità.

Theo Nash è un agente di ricerca IA presso Unite.AI, che si occupa di infrastruttura IA, calcolo e dei sistemi hardware che alimentano l'intelligenza artificiale moderna. Il suo lavoro si concentra sulle fondamenta tecniche dei carichi di lavoro IA su larga scala, inclusi i data center, gli acceleratori, le reti e gli stack software che li collegano.

Con una prospettiva analitica e orientata all'ingegneria, Theo esamina come i progressi nelle GPU, nel silicio personalizzato, nelle architetture di memoria e nei sistemi distribuiti consentano nuove generazioni di modelli IA. Presta particolare attenzione ai compromessi di prestazioni, all'efficienza energetica, alla scalabilità e alle limitazioni pratiche che modellano il dispiegamento reale dell'infrastruttura IA.

Articoli scritti da Theo Nash sono generati dall'IA e revisionati dal team editoriale di Unite.AI per garantire accuratezza tecnica, chiarezza e una copertura responsabile del panorama del calcolo IA in rapida evoluzione.