AI-modeller og plattformer
Cloudflare lanserer Clairic-modeller med åpne vekter for datauttrekk

Viktige punkterÅpne vekter flytter serveringskostnader og kontroll fra Cloudflare til brukere som…
Vis mer
- Åpne vekter flytter serveringskostnader og kontroll fra Cloudflare til brukere som kjører Clairic lokalt.
- Parallell slot-autoregressiv generering forbedret uttrekksnøyaktigheten til en liten kostnad i latenstid.
- Cloudflares nøyaktighetstall er selvrapporterte og mangler uavhengige offentlige uttrekksbenchmarker.
Cloudflare kunngjorde 18. november 2026 at den oppdaterte Clairic-modellen med 27 milliarder parametere og den nye Clairic-flash-modellen med 9 milliarder parametere er tilgjengelige med åpne vekter på Hugging Face og som vertsbaserte Workers AI-endepunkter. Begge er utviklet for å gjøre ustrukturert tekst, bilder og PDF-er om til typede verdier, estimater og prognoser.
Modellkortet for Clairic angir Qwen3.8-27B som grunnmodell, mens modellkortet for Clairic-flash bruker Qwen3.5-9B. Begge repositoriene inneholder vekter, komponenter for typede utdata, tokenizer- og prosessorfiler samt Python-hjelpefunksjoner under Apache-2.0-lisensen. Dermed kan modellene kjøres lokalt med PyTorch og Transformers, uten at Workers AI er nødvendig.
Lanseringen følger etter Cloudflares vertsbaserte forhåndsvisning 19. oktober 2026, som brukte et tidlig kontrollpunkt og opplyste at åpne vekter ville komme etter ytterligere arbeid. Forhåndsvisningen omfattet allerede uttrekk, beregninger, estimering og prognoser, samtidig som veiledningen trakk fram flertrinnsregning, estimater uten underbyggende dokumentasjon og grunnleggende prognoser som begrensninger.
En redesignet uttrekksarkitektur
For uttrekk av vanlig tekst og tall erstattet Cloudflare forhåndsvisningens design med ett enkelt gjennomløp med parallell, autoregressiv generering av felter. Feltene behandles samtidig i samme serveringsbatch, men hvert felt bruker sine egne tidligere genererte tokener til å velge neste token og stopper ved sitt eget sluttmerke. Separate hoder håndterer estimater, prognoser, varigheter, beregnede datoer og eksplisitte regneoperasjoner. Cloudflare opplyser at endringen forbedret nøyaktigheten ved uttrekk fra tekst og bilder, samtidig som den førte til en liten økning i latenstid.
Det typede grensesnittet beholder konfidensskårer, sannsynligheter for null og tegnspenn for tekstbelegg som er entydig matchet; belegg som bare finnes i bilder, eller som er tvetydig, har nullspenn. Inndata kan være tekst eller JSON, eventuelt med bilder og innebygde PDF-er, mens utdata omfatter typede verdier, lister, nullverdier, estimater og prognoseforløp. Hver forespørsel kan inneholde maksimalt fire bilder eller gjengitte PDF-sider til sammen. Innebygde inndata er begrenset til 4 MiB hver og 8 MiB samlet, og eksterne medie-URL-er godtas ikke.
PDF-støtten gjør det mulig å be om en leverandør, linjeposter og en totalsum i én forespørsel, selv når opplysningene står på forskjellige sider. Radene med linjeposter beholder hver enkelt beskrivelse, mengde og pris. Sidegrensen avgrenser omfanget av hvert modellkall: Modellen håndterer et lite antall sider, ikke et helt dokumentarkiv.
Egenrapportert nøyaktighet og latenstid
Cloudflares interne evalueringer rapporterer følgende antall riktige svar for de oppdaterte modellene og det tidligere kontrollpunktet fra forhåndsvisningen:
| Evaluering | Clairic-preview | Clairic | Clairic-flash |
|---|---|---|---|
| Nye tekstfelter, 96 forespørsler | 295/336 | 335/336 | 328/336 |
| Registrerte kundeutsagn, 139 forespørselsformer | 1,033/1,263 | 1,263/1,263 | 1,263/1,263 |
| Syntetiske kvitteringsfelter i tekst og bilder | 369/576 | 576/576 | 576/576 |
Selskapet sier at det ikke finnes offentlige referansetester for datauttrekk, og beskriver sammenligningene med Liquid AI D1.2 kombinert med optisk tegngjenkjenning og Scaledowns Extract som veiledende og basert på selskapenes egne rapporter. Tallene dokumenterer derfor Cloudflares rapporterte framgang sammenlignet med forhåndsvisningen; de etablerer ikke en uavhengig rangering av modeller for datauttrekk.
Cloudflare rapporterer median responstid og responstid ved 95-persentilen på henholdsvis 358 ms og 736 ms for Clairic på nye tekstfelter, sammenlignet med 155 ms og 328 ms for Clairic-flash. For nye bildefelter registrerte Clairic 453 ms og 976 ms ved de samme persentilene, mens Clairic-flash registrerte 305 ms og 605 ms. Testene målte fullstendige HTTP-svar fra en server som var driftet lokalt, og omfattet alle feltene i hver forespørsel.
Flytting av endepunkter og prising av inndatatokener
På Workers AI ligger den større modellen nå på @cf/cloudflare/clairic, mens den mindre varianten flyttes til @cf/cloudflare/clairic-flash. Applikasjoner som bruker Clairic-endepunktet fra forhåndsvisningen, får automatisk den oppdaterte modellen etter hvert som den rulles ut på samme plass, og skjemaene for det vertsbaserte API-et forblir uendret. Kundene kan i stedet rette kostnadssensitive arbeidsbelastninger mot det billigere Clairic-flash-endepunktet.
Cloudflare fastsatte standardprisen på Workers AI til 0,24 dollar per million inndatatokener for Clairic og 0,10 dollar per million inndatatokener for Clairic-flash, uten kostnad for utdatatokener, selv om den redesignede arkitekturen genererer utdatatokener. Fram til 1. desember 2026 koster begge modellene 0,10 dollar per million inndatatokener som del av et kampanjetilbud. Deretter opphører rabatten for Clairic, og standardprisen gjeninnføres.
Lanseringene introduserer også Workers AI Superintelligence-teamet, som Cloudflare beskriver som den ledende forskningsgruppen bak Clef og Clairic. Teamets System One-strategi går ut på å flytte snevert definerte oppgaver fra kostbare kall til generelle LLM-er til mindre, spesialbygde modeller.
Cloudflares prising kun for input bevarer den opprinnelige kostnadsmodellen for System One, selv etter overgangen til token-generering, mens åpne vekter gir brukerne som kjører modellene selv, kontroll over driftskostnadene. Det åpne spørsmålet er hvordan de interne resultatene lar seg overføre til produksjonsdokumenter, der modellkortene overlater til hvert enkelt program å fastsette akseptgrenser for sannsynlighetsskårer.












