AI-modeller och plattformar
Cloudflare släpper Clairic-modeller med öppna vikter för dataextrahering

Viktiga punkterÖppna vikter flyttar serveringskostnader och kontroll från Cloudflare till användare…
Visa mer
- Öppna vikter flyttar serveringskostnader och kontroll från Cloudflare till användare som kör Clairic lokalt.
- Parallell slot autoregressiv generering förbättrade extraktionsnoggrannheten till en liten latenskostnad.
- Cloudflares noggrannhetssiffror är självrapporterade och saknar oberoende offentliga extraktionsbenchmarks.
Cloudflare meddelade den 18 november 2026 att den uppdaterade Clairic-modellen med 27 miljarder parametrar och den nya Clairic-flash-modellen med 9 miljarder parametrar finns tillgängliga med öppna vikter på Hugging Face och som värdbaserade Workers AI-slutpunkter. Båda är utformade för att omvandla ostrukturerad text, bilder och PDF-filer till typade värden, uppskattningar och prognoser.
Modellkortet för Clairic anger Qwen3.8-27B som basmodell, medan modellkortet för Clairic-flash använder Qwen3.5-9B. Båda arkiven innehåller vikter, komponenter för typade utdata, tokenizer- och processor-filer samt Python-hjälpfunktioner under licensen Apache-2.0, vilket möjliggör lokal inferens med PyTorch och Transformers utan att Workers AI krävs.
Lanseringen följer på Cloudflares värdbaserade förhandsversion den 19 oktober 2026, som använde en tidig kontrollpunkt och uppgav att öppna vikter skulle komma efter ytterligare arbete. Förhandsversionen omfattade redan extrahering, beräkning, uppskattning och prognostisering, samtidigt som vägledningen pekade ut flerstegsaritmetik, uppskattningar utan stödjande belägg och grundläggande prognostisering som begränsningar.
En omarbetad extraheringsarkitektur
För extrahering av vanlig text och tal ersatte Cloudflare förhandsversionens utformning med ett enda framåtpass med parallell autoregressiv generering av platser. Fälten bearbetas samtidigt i serveringsbatchen, men varje fält använder sina egna tidigare genererade token för att välja nästa token och stannar vid sin egen slutmarkör. Separata huvuden hanterar uppskattningar, prognoser, tidslängder, beräknade datum och uttryckliga aritmetiska beräkningar. Cloudflare uppger att ändringen förbättrade precisionen vid extrahering av text och bilder, samtidigt som svarstiden ökade något.
Det typade gränssnittet behåller konfidenspoäng, sannolikheter för null-värden och teckenintervall för textbelägg som matchats entydigt; belägg som enbart finns i bilder eller är tvetydiga har null-intervall. Indata kan bestå av text eller JSON, valfria bilder och inbäddade PDF-filer, medan utdata omfattar typade värden, listor, null-värden, uppskattningar och prognosförlopp. Förfrågningar får innehålla högst fyra bilder eller renderade PDF-sidor sammanlagt. Inbäddade indata får vara högst 4 MiB vardera och sammanlagt 8 MiB, och fjärradresser till medier godtas inte.
PDF-stödet gör det möjligt att i en enda förfrågan begära en leverantör, radposter och en totalsumma, även när uppgifterna finns på olika sidor. Raderna med poster bevarar varje beskrivning, kvantitet och pris. Sidbegränsningen anger omfattningen för varje modellanrop: modellen hanterar ett mindre antal sidor, inte ett helt dokumentarkiv.
Självrapporterad precision och svarstid
I Cloudflares interna utvärderingar redovisas följande antal korrekta svar för de uppdaterade modellerna och den tidigare kontrollpunkten från förhandsversionen:
| Utvärdering | Clairic-preview | Clairic | Clairic-flash |
|---|---|---|---|
| Nya textfält, 96 förfrågningar | 295/336 | 335/336 | 328/336 |
| Uppföljda kundpåståenden, 139 förfrågningsformer | 1,033/1,263 | 1,263/1,263 | 1,263/1,263 |
| Syntetiska kvittofält i text och bilder | 369/576 | 576/576 | 576/576 |
Företaget uppger att det inte finns några offentliga jämförelsetester för extrahering och beskriver sina jämförelser med Liquid AI:s D1.2 i kombination med optisk teckenigenkänning och Scaledowns Extract som vägledande, självrapporterade resultat. Siffrorna dokumenterar därför Cloudflares rapporterade framsteg jämfört med företagets förhandsversion; de fastställer inte någon oberoende rangordning av extraheringsmodeller.
Cloudflare rapporterar en median- och 95:e percentilsvarstid på 358 ms respektive 736 ms för Clairic på nya textfält, jämfört med 155 ms respektive 328 ms för Clairic-flash. För nya bildfält uppmätte Clairic 453 ms och 976 ms vid samma percentiler, medan Clairic-flash uppmätte 305 ms och 605 ms. Testerna mätte fullständiga HTTP-svar från en server som driftades på egen hand och omfattade alla fält i varje förfrågan.
Flytt av slutpunkter och prissättning per indatatoken
På Workers AI finns den större modellen nu på @cf/cloudflare/clairic, medan den mindre varianten flyttas till @cf/cloudflare/clairic-flash. Program som använder förhandsversionens Clairic-slutpunkt får automatiskt den uppdaterade modellen i takt med att den införs på den befintliga platsen, och schemana för det värdbaserade API:et förblir oförändrade. Kunder kan i stället rikta kostnadskänsliga arbetsflöden till den billigare Clairic-flash-slutpunkten.
Cloudflare fastställde standardpriset för Workers AI till 0,24 USD per miljon indatatoken för Clairic och 0,10 USD per miljon indatatoken för Clairic-flash, utan avgift för utdatatoken trots att den omarbetade arkitekturen genererar sådana. Fram till den 1 december 2026 kostar båda modellerna 0,10 USD per miljon indatatoken under en kampanj. Därefter upphör rabatten för Clairic och standardpriset återinförs.
Lanseringarna presenterar också Workers AI Superintelligence-teamet, som Cloudflare beskriver som forskningsgruppen i framkant bakom Clef och Clairic. Teamets System One-strategi går ut på att flytta snävt avgränsade uppgifter från kostsamma anrop till allmänna LLM:er till mindre, specialbyggda modeller.
Cloudflares prissättning endast för indata bevarar den ursprungliga kostnadsmodellen för System One även efter övergången till generering av token, medan öppna vikter överför kostnaderna för drift och kontrollen till användarna som kör modellerna själva. Den öppna frågan är hur de interna resultaten står sig på produktionsdokument, där modellkorten överlåter åt varje applikation att fastställa acceptansgränser för sannolikhetsvärden.












