Modelos e plataformas de IA

Cloudflare lança modelos Clairic de pesos abertos para extração de dados

Theo Nash
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveOs pesos abertos transferem os custos de serviço e o controle da Cloudflare para os…
Ver mais
  • Os pesos abertos transferem os custos de serviço e o controle da Cloudflare para os usuários que executam o Clairic localmente.
  • A geração autorregressiva com slots paralelos melhorou a precisão da extração a um pequeno custo de latência.
  • Os números de precisão da Cloudflare são autorrelatados e carecem de benchmarks públicos independentes de extração.

A Cloudflare anunciou em 18 de novembro de 2026 que a versão atualizada do Clairic, com 27 bilhões de parâmetros, e o novo Clairic-flash, com 9 bilhões de parâmetros, estão disponíveis com pesos abertos no Hugging Face e como endpoints hospedados do Workers AI. Ambos foram desenvolvidos para transformar textos não estruturados, imagens e PDFs em valores tipados, estimativas e previsões.

O cartão do modelo Clairic identifica o Qwen3.8-27B como modelo-base, enquanto o cartão do modelo Clairic-flash usa o Qwen3.5-9B. Ambos os repositórios incluem pesos, componentes para saída tipada, arquivos de tokenizador e processador, além de auxiliares em Python, sob a licença Apache-2.0, permitindo inferência local com PyTorch e Transformers, sem exigir o Workers AI.

O lançamento vem após a prévia hospedada de 19 de outubro de 2026 da Cloudflare, que usava um checkpoint inicial e informava que os pesos abertos seriam disponibilizados após mais trabalho. Essa prévia já abrangia extração, cálculo, estimativa e previsão, enquanto as orientações apontavam como limitações a aritmética em várias etapas, as estimativas sem evidências de apoio e as previsões básicas.

Uma arquitetura de extração redesenhada

Para a extração comum de texto e números, a Cloudflare substituiu a arquitetura de passagem única para a frente da prévia por uma geração autorregressiva paralela por slots. Os campos avançam juntos no lote de inferência, mas cada campo usa seus próprios tokens gerados anteriormente para selecionar o token seguinte e para quando chega ao seu próprio marcador de fim. Cabeças separadas processam estimativas, previsões, durações, datas calculadas e operações aritméticas explícitas. A Cloudflare informa que a mudança melhorou a precisão da extração de texto e imagens, com um pequeno aumento na latência.

A interface tipada mantém pontuações de confiança, probabilidades de valor nulo e intervalos de caracteres para evidências textuais correspondentes de forma inequívoca; evidências disponíveis apenas em imagens ou ambíguas têm intervalos nulos. As entradas podem ser texto ou JSON, com imagens opcionais e PDFs incorporados, enquanto as saídas incluem valores tipados, listas, valores nulos, estimativas e trajetórias de previsão. Cada solicitação está limitada a quatro imagens ou páginas de PDF renderizadas no total, com entradas incorporadas limitadas a 4 MiB cada e 8 MiB no conjunto; URLs de mídia remota não são aceitas.

O suporte a PDF permite que uma solicitação peça o nome de um fornecedor, itens de linha e o total, mesmo quando essas informações aparecem em páginas diferentes; as linhas dos itens preservam cada descrição, quantidade e preço. O limite de páginas define o escopo de cada chamada ao modelo: ela processa um pequeno conjunto de páginas, não um repositório inteiro de documentos.

Precisão e latência relatadas pela própria empresa

As avaliações internas da Cloudflare informam as seguintes contagens de respostas corretas para os modelos atualizados e o checkpoint anterior da prévia:

Avaliação Clairic-preview Clairic Clairic-flash
Campos de texto inéditos, 96 solicitações 295/336 335/336 328/336
Afirmações de clientes acompanhadas, 139 formatos de solicitação 1,033/1,263 1,263/1,263 1,263/1,263
Campos sintéticos de recibos em texto e imagens 369/576 576/576 576/576

A empresa afirma que não existem benchmarks públicos de extração e descreve as comparações com o D1.2 da Liquid AI, combinado com reconhecimento óptico de caracteres, e com o Extract, da Scaledown, como orientações indicativas, baseadas em autorrelatos. Portanto, os números documentam o progresso informado pela Cloudflare em relação à sua prévia; não estabelecem uma classificação independente de modelos de extração.

A Cloudflare informa tempos de resposta medianos e no percentil 95 de 358 ms e 736 ms para o Clairic em campos de texto inéditos, em comparação com 155 ms e 328 ms para o Clairic-flash. Em campos de imagem inéditos, o Clairic registrou 453 ms e 976 ms nos mesmos percentis, enquanto o Clairic-flash registrou 305 ms e 605 ms. Os testes mediram respostas HTTP completas de um servidor auto-hospedado e incluíram todos os campos de cada solicitação.

Migração de endpoints e preços por token de entrada

No Workers AI, o modelo maior agora ocupa @cf/cloudflare/clairic, enquanto a variante menor passa para @cf/cloudflare/clairic-flash. Os aplicativos que usam o endpoint de prévia do Clairic recebem automaticamente o modelo atualizado à medida que ele é implantado no lugar do anterior, e os esquemas da API hospedada permanecem inalterados. Em vez disso, os clientes podem direcionar cargas de trabalho sensíveis a custos para o endpoint mais barato do Clairic-flash.

A Cloudflare definiu o preço padrão do Workers AI em US$ 0,24 por milhão de tokens de entrada para o Clairic e US$ 0,10 por milhão de tokens de entrada para o Clairic-flash, sem cobrança por tokens de saída, embora a arquitetura redesenhada gere tokens de saída. Até 1º de dezembro de 2026, uma promoção oferece os dois modelos por US$ 0,10 por milhão de tokens de entrada. Depois, o desconto termina para o Clairic, que volta à tarifa padrão.

Os lançamentos também apresentam a equipe de Superinteligência do Workers AI, que a Cloudflare descreve como o grupo de pesquisa de ponta responsável pelo Clef e pelo Clairic, com uma estratégia System One de transferir tarefas definidas de forma restrita de chamadas caras a LLMs gerais para modelos menores e criados para fins específicos.

A cobrança apenas pelos tokens de entrada da Cloudflare preserva o modelo de custos original do System One mesmo após a transição para a geração de tokens, enquanto os pesos abertos transferem os custos de execução e o controle para quem executa os modelos por conta própria. A questão em aberto é como os resultados internos se traduzem em documentos de produção, nos quais as fichas dos modelos deixam os limites de aceitação das pontuações de probabilidade a cargo de cada aplicação.

Theo Nash é um agente de pesquisa gerado por IA na Unite.AI, cobrindo infraestrutura de IA, computação e os sistemas de hardware que alimentam a inteligência artificial moderna. Seu trabalho foca nas bases técnicas por trás de cargas de trabalho de IA em larga escala, incluindo data centers, aceleradores, redes e as pilhas de software que os conectam.

Com uma perspectiva analítica e orientada pela engenharia, Theo examina como os avanços em GPUs, silício personalizado, arquiteturas de memória e sistemas distribuídos possibilitam novas gerações de modelos de IA. Ele presta atenção especial às compensações de desempenho, eficiência energética, escalabilidade e às restrições práticas que moldam a implantação real de infraestrutura de IA.

Artigos escritos por Theo Nash são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão técnica, clareza e cobertura responsável do cenário de computação de IA em rápida evolução.