Modele i platformy AI

Cloudflare udostępnia modele Clairic z otwartymi wagami do ekstrakcji danych

Theo Nash
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyOtwarte wagi przenoszą koszty serwowania i kontrolę z Cloudflare na użytkowników…
Zobacz więcej
  • Otwarte wagi przenoszą koszty serwowania i kontrolę z Cloudflare na użytkowników uruchamiających Clairic lokalnie.
  • Równoległe generowanie autoregresyjne w slotach poprawiło dokładność ekstrakcji przy niewielkim koszcie opóźnienia.
  • Wskaźniki dokładności Cloudflare są deklarowane samodzielnie i brakuje niezależnych publicznych benchmarków ekstrakcji.

Cloudflare poinformował 18 listopada 2026 r., że zaktualizowany model Clairic o 27 miliardach parametrów oraz nowy Clairic-flash o 9 miliardach parametrów są dostępne z otwartymi wagami w serwisie Hugging Face oraz jako hostowane punkty końcowe Workers AI. Oba modele służą do przekształcania nieustrukturyzowanego tekstu, obrazów i plików PDF w wartości o określonych typach, szacunki i prognozy.

Karta modelu Clairic wskazuje Qwen3.8-27B jako model bazowy, natomiast karta modelu Clairic-flash wskazuje Qwen3.5-9B. Oba repozytoria zawierają wagi, komponenty do generowania wyników o określonych typach, pliki tokenizatora i procesora oraz narzędzia pomocnicze dla Pythona na licencji Apache-2.0, dzięki czemu można uruchamiać wnioskowanie lokalnie za pomocą PyTorch i Transformers, bez konieczności korzystania z Workers AI.

Premiera następuje po udostępnieniu hostowanego podglądu 19 października 2026 r. przez Cloudflare. Wykorzystywał on wczesny punkt kontrolny i zapowiadał, że otwarte wagi pojawią się po dalszych pracach. Podgląd obejmował już ekstrakcję, obliczenia, szacowanie i prognozowanie, a w wytycznych wskazano jako ograniczenia obliczenia arytmetyczne wymagające wielu kroków, szacunki bez dowodów na ich poparcie oraz podstawowe prognozowanie.

Przeprojektowana architektura ekstrakcji

W przypadku standardowej ekstrakcji tekstu i liczb Cloudflare zastąpił architekturę podglądu, opartą na pojedynczym przebiegu w przód, równoległym autoregresyjnym generowaniem wartości w poszczególnych polach. Pola są przetwarzane równolegle w ramach partii obsługiwanej przez system, ale każde z nich wykorzystuje własne wcześniej wygenerowane tokeny do wyboru kolejnego tokenu i kończy działanie po napotkaniu własnego znacznika końca. Osobne głowice obsługują szacunki, prognozy, czasy trwania, obliczone daty i jawne działania arytmetyczne. Cloudflare informuje, że ta zmiana zwiększyła dokładność ekstrakcji tekstu i obrazów, nieznacznie wydłużając czas odpowiedzi.

Interfejs wyników o określonych typach zachowuje wyniki pewności, prawdopodobieństwa wartości null oraz zakresy znaków dla jednoznacznie dopasowanych dowodów tekstowych; w przypadku dowodów pochodzących wyłącznie z obrazów lub niejednoznacznych zakresy znaków mają wartość null. Dane wejściowe mogą mieć postać tekstu lub JSON-u, a także obejmować opcjonalne obrazy i osadzone pliki PDF. Wyniki mogą zawierać wartości o określonych typach, listy, wartości null, szacunki i przebiegi prognoz. Pojedyncze żądanie może obejmować maksymalnie cztery obrazy lub wyrenderowane strony PDF łącznie; osadzone dane wejściowe nie mogą przekraczać 4 MiB każde ani 8 MiB łącznie, a zdalne adresy URL plików multimedialnych nie są akceptowane.

Obsługa plików PDF pozwala w jednym żądaniu wyszukać dostawcę, pozycje na fakturze i sumę, nawet jeśli znajdują się na różnych stronach; wiersze z pozycjami zachowują opisy, ilości i ceny. Limit stron określa zakres pojedynczego wywołania modelu: model przetwarza niewielki zestaw stron, a nie całe repozytorium dokumentów.

Deklarowana dokładność i czas odpowiedzi

W wewnętrznych testach Cloudflare uzyskano poniższą liczbę poprawnych odpowiedzi dla zaktualizowanych modeli i wcześniejszego punktu kontrolnego z podglądu:

Test Clairic-preview Clairic Clairic-flash
Świeże pola tekstowe, 96 żądań 295/336 335/336 328/336
Śledzone twierdzenia klientów, 139 struktur żądań 1,033/1,263 1,263/1,263 1,263/1,263
Pola syntetycznych paragonów w tekście i na obrazach 369/576 576/576 576/576

Firma informuje, że nie istnieją publiczne testy porównawcze ekstrakcji, a porównania z D1.2 firmy Liquid AI w połączeniu z optycznym rozpoznawaniem znaków oraz Extract firmy Scaledown przedstawia jako orientacyjne, oparte na własnych deklaracjach wskazówki. Podane wyniki dokumentują zatem deklarowany przez Cloudflare postęp względem wersji podglądowej; nie stanowią niezależnego rankingu modeli do ekstrakcji.

Cloudflare podaje, że mediana i 95. percentyl czasu odpowiedzi Clairic dla nowych pól tekstowych wynoszą odpowiednio 358 ms i 736 ms, a dla Clairic-flash — 155 ms i 328 ms. W przypadku nowych pól obrazowych wartości dla Clairic wyniosły 453 ms i 976 ms dla tych samych percentyli, natomiast dla Clairic-flash — 305 ms i 605 ms. Testy mierzyły pełny czas odpowiedzi HTTP z serwera hostowanego samodzielnie i obejmowały wszystkie pola w każdym żądaniu.

Migracja punktu końcowego i ceny za tokeny wejściowe

W Workers AI większy model zajmuje @cf/cloudflare/clairic, podczas gdy mniejszy wariant przechodzi do @cf/cloudflare/clairic-flash. Aplikacje korzystające z punktu końcowego Clairic w wersji podglądowej automatycznie otrzymają zaktualizowany model w miarę wdrażania go w miejsce dotychczasowego, a schematy hostowanego API pozostaną bez zmian. Klienci mogą zamiast tego skierować zadania wrażliwe na koszty do tańszego punktu końcowego Clairic-flash.

Cloudflare ustalił standardową cenę Workers AI na 0,24 USD za milion tokenów wejściowych dla Clairic oraz 0,10 USD za milion tokenów wejściowych dla Clairic-flash; nie pobiera opłat za tokeny wyjściowe, mimo że przeprojektowana architektura je generuje. Do 1 grudnia 2026 r. promocyjna cena obu modeli wynosi 0,10 USD za milion tokenów wejściowych. Po tym terminie zniżka na Clairic przestanie obowiązywać i wróci jego standardowa cena.

Premiera obejmuje również zespół Workers AI Superintelligence, który Cloudflare opisuje jako grupę badawczą zajmującą się najbardziej zaawansowanymi technologiami, odpowiedzialną za Clef i Clairic. Jej strategia System One zakłada przenoszenie ściśle określonych zadań z kosztownych wywołań ogólnych modeli LLM do mniejszych modeli zaprojektowanych do konkretnych zastosowań.

Cennik Cloudflare, oparty wyłącznie na danych wejściowych, zachowuje pierwotny model kosztów System One nawet po przejściu na generowanie tokenów, podczas gdy otwarte wagi przenoszą koszty udostępniania modeli i kontrolę nad nimi na użytkowników, którzy uruchamiają je samodzielnie. Niewiadomą pozostaje to, jak wyniki wewnętrznych testów przełożą się na dokumenty wykorzystywane w produkcji, ponieważ karty modeli pozostawiają poszczególnym aplikacjom ustalenie progów akceptacji dla wyników prawdopodobieństwa.

Theo Nash jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się infrastrukturą AI, obliczeniami oraz systemami sprzętowymi napędzającymi współczesną sztuczną inteligencję. Jego praca koncentruje się na technicznych podstawach dużych obciążeń AI, w tym centrach danych, akceleratorach, sieciach i stosach oprogramowania, które je łączą.

Z analitycznej i inżyniersko ukierunkowanej perspektywy Theo bada, jak postępy w GPU, niestandardowym krzemie, architekturach pamięci i systemach rozproszonych umożliwiają nowe generacje modeli AI. Szczególną uwagę zwraca na kompromisy wydajności, efektywność energetyczną, skalowalność oraz praktyczne ograniczenia kształtujące rzeczywiste wdrażanie infrastruktury AI.

Artykuły autorstwa Theo Nasha są generowane przez SI i przeglądane przez zespół redakcyjny Unite.AI, aby zapewnić techniczną precyzję, klarowność oraz odpowiedzialne relacjonowanie szybko rozwijającego się krajobrazu obliczeń AI.