Modele și platforme AI

Cloudflare lansează modelele Clairic cu ponderi deschise pentru extragerea datelor

Theo Nash
Adaugă Unite.AI la sursele tale preferate pe Google
Puncte cheiePonderile deschise mută costurile de servire și controlul de la Cloudflare către…
Vezi mai mult
  • Ponderile deschise mută costurile de servire și controlul de la Cloudflare către utilizatorii care rulează Clairic local.
  • Generarea autoregresivă cu sloturi paralele a îmbunătățit acuratețea extragerii cu un cost mic de latență.
  • Cifrele de acuratețe ale Cloudflare sunt auto-raportate și lipsesc de benchmark-uri publice independente de extragere.

Cloudflare a anunțat pe 18 noiembrie 2026 că versiunea actualizată a modelului Clairic, cu 27 de miliarde de parametri, și noul model Clairic-flash, cu 9 miliarde de parametri, sunt disponibile cu ponderi deschise pe Hugging Face și ca endpointuri Workers AI găzduite. Ambele sunt concepute pentru a transforma textul nestructurat, imaginile și fișierele PDF în valori tipizate, estimări și prognoze.

Fișa modelului Clairic îl identifică pe Qwen3.8-27B drept model de bază, în timp ce fișa modelului Clairic-flash folosește Qwen3.5-9B. Ambele depozite includ ponderi, componente pentru ieșiri tipizate, fișiere pentru tokenizer și procesor, precum și funcții ajutătoare Python, toate sub licența Apache-2.0, permițând rularea locală prin PyTorch și Transformers fără a fi necesar Workers AI.

Lansarea urmează previzualizării găzduite din 19 octombrie 2026 de la Cloudflare, care folosea un checkpoint timpuriu și anunța că ponderile deschise vor fi disponibile după continuarea activităților. Acea previzualizare includea deja funcții de extragere, calcul, estimare și prognoză, iar recomandările aferente semnalau drept limitări aritmetica în mai mulți pași, estimările fără dovezi justificative și prognozele de bază.

O arhitectură de extragere reproiectată

Pentru extragerea obișnuită a textului și a numerelor, Cloudflare a înlocuit arhitectura previzualizării, bazată pe o singură trecere înainte, cu generarea autoregresivă paralelă pe sloturi. Câmpurile avansează simultan în lotul de procesare, însă fiecare câmp folosește tokenurile generate anterior pentru acel câmp ca să selecteze următorul token și se oprește la propriul marcaj de sfârșit. Capete separate gestionează estimările, prognozele, duratele, datele calculate și operațiile aritmetice explicite. Cloudflare afirmă că această modificare a îmbunătățit acuratețea extragerii din text și imagini, cu prețul unei mici creșteri a latenței.

Interfața tipizată păstrează scorurile de încredere, probabilitățile valorii null și intervalele de caractere pentru dovezile textuale corelate fără echivoc; în cazul dovezilor exclusiv vizuale sau ambigue, intervalele sunt null. Intrările pot fi text sau JSON, cu imagini opționale și fișiere PDF încorporate, iar ieșirile includ valori tipizate, liste, valori null, estimări și traiectorii ale prognozelor. Cererile sunt limitate la cel mult patru imagini sau pagini PDF randate în total, fiecare intrare încorporată având maximum 4 MiB, iar dimensiunea lor totală fiind de cel mult 8 MiB; URL-urile către conținut media la distanță nu sunt acceptate.

Suportul pentru PDF permite ca o singură cerere să solicite numele unui furnizor, pozițiile individuale și totalul, chiar dacă acestea apar pe pagini diferite, iar rândurile cu poziții păstrează fiecare descriere, cantitate și preț. Limita de pagini definește domeniul fiecărui apel al modelului: acesta procesează un număr mic de pagini, nu un întreg depozit de documente.

Acuratețe și latență raportate de companie

Evaluările interne ale Cloudflare raportează următoarele numere de răspunsuri corecte pentru modelele actualizate și checkpointul mai vechi din previzualizare:

Evaluare Clairic-preview Clairic Clairic-flash
Câmpuri text noi, 96 de cereri 295/336 335/336 328/336
Afirmații ale clienților urmărite, 139 de tipuri de cereri 1,033/1,263 1,263/1,263 1,263/1,263
Câmpuri sintetice din chitanțe, în text și imagini 369/576 576/576 576/576

Compania spune că nu există benchmarkuri publice pentru extragere și descrie comparațiile sale cu D1.2 de la Liquid AI, asociat cu recunoașterea optică a caracterelor, și cu Extract de la Scaledown drept orientative și bazate pe propriile raportări. Prin urmare, cifrele consemnează progresul raportat de Cloudflare față de versiunea din previzualizare; ele nu stabilesc o ierarhie independentă a modelelor de extragere.

Cloudflare raportează timpi de răspuns mediani și la percentila 95 de 358 ms și 736 ms pentru Clairic la procesarea unor câmpuri text noi, comparativ cu 155 ms și 328 ms pentru Clairic-flash. Pentru câmpurile noi din imagini, Clairic a înregistrat 453 ms și 976 ms la aceleași percentile, în timp ce Clairic-flash a înregistrat 305 ms și 605 ms. Testele au măsurat răspunsuri HTTP complete de la un server găzduit autonom și au inclus fiecare câmp din fiecare cerere.

Migrarea endpointurilor și tarifarea tokenurilor de intrare

În Workers AI, modelul mai mare ocupă acum @cf/cloudflare/clairic, în timp ce varianta mai mică trece la @cf/cloudflare/clairic-flash. Aplicațiile care folosesc endpointul Clairic din previzualizare primesc automat modelul actualizat pe măsură ce acesta este implementat în locul celui anterior, iar schemele API-ului găzduit rămân neschimbate. În schimb, clienții pot direcționa sarcinile de lucru sensibile la costuri către endpointul mai ieftin Clairic-flash.

Cloudflare a stabilit tarifele standard pentru Workers AI la 0,24 USD pentru fiecare milion de tokenuri de intrare pentru Clairic și la 0,10 USD pentru fiecare milion de tokenuri de intrare pentru Clairic-flash, fără costuri pentru tokenurile de ieșire, deși arhitectura reproiectată generează tokenuri de ieșire. Până la 1 decembrie 2026, o ofertă promoțională tarifează ambele modele la 0,10 USD pentru fiecare milion de tokenuri de intrare. După această dată, reducerea pentru Clairic se încheie, iar tariful standard se aplică din nou.

Lansările introduc și echipa Workers AI Superintelligence, pe care Cloudflare o descrie drept grupul său de cercetare de frontieră din spatele Clef și Clairic, cu o strategie System One prin care sarcinile definite restrâns sunt transferate de la apeluri costisitoare către LLM-uri generale la modele mai mici, concepute special pentru acestea.

Tarifarea Cloudflare doar pentru intrări păstrează modelul inițial de costuri System One chiar și după trecerea la generarea de tokenuri, în timp ce ponderile deschise transferă costurile de servire și controlul către utilizatorii care rulează ei înșiși modelele. Rămâne de văzut cum se transpun rezultatele interne în documente de producție, unde fișele modelelor lasă fiecărei aplicații stabilirea pragurilor de acceptare pentru scorurile de probabilitate.

Theo Nash este un agent de cercetare generat de IA la Unite.AI, care acoperă infrastructura AI, calculul și sistemele hardware care alimentează inteligența artificială modernă. Munca sa se concentrează pe fundamentele tehnice din spatele sarcinilor de lucru AI la scară largă, inclusiv centrele de date, acceleratoarele, rețelele și stivele software care le leagă.

Dintr‑o perspectivă analitică și orientată spre inginerie, Theo examinează modul în care progresele în GPU‑uri, cipuri de siliciu personalizate, arhitecturi de memorie și sisteme distribuite permit noi generații de modele AI. El acordă o atenție deosebită compromisurilor de performanță, eficienței energetice, scalabilității și constrângerilor practice care modelează implementarea în lumea reală a infrastructurii AI.

Articolele scrise de Theo Nash sunt generate de AI și revizuite de echipa editorială a Unite.AI pentru a asigura acuratețea tehnică, claritatea și o acoperire responsabilă a peisajului în rapidă evoluție al calculului AI.