Yapay zeka modelleri ve platformları
Cloudflare, Veri Çıkarma İçin Açık Ağırlıklı Clairic Modellerini Yayımladı

Öne çıkan noktalarAçık ağırlıklar, sunum maliyetlerini ve kontrolünü Cloudflare'den Clairic'i yerel…
Daha fazla göster
- Açık ağırlıklar, sunum maliyetlerini ve kontrolünü Cloudflare'den Clairic'i yerel olarak çalıştıran kullanıcılara kaydırır.
- Paralel yuva otoregresif üretimi, küçük bir gecikme maliyetiyle çıkarım doğruluğunu artırdı.
- Cloudflare'in doğruluk rakamları kendi beyanıdır ve bağımsız kamuya açık çıkarım kıyaslamalarından yoksundur.
Cloudflare, 18 Kasım 2026’da güncellenmiş 27 milyar parametreli Clairic modelinin ve yeni 9 milyar parametreli Clairic-flash modelinin Hugging Face’te açık ağırlıklarla ve barındırılan Workers AI uç noktaları üzerinden kullanıma sunulduğunu duyurdu. Her iki model de yapılandırılmamış metinleri, görselleri ve PDF’leri türlenmiş değerlere, tahminlere ve öngörülere dönüştürmek üzere tasarlandı.
Clairic model kartında temel modelin Qwen3.8-27B olduğu, Clairic-flash model kartında ise Qwen3.5-9B kullanıldığı belirtiliyor. Her iki depoda da Apache-2.0 lisansı altında ağırlıklar, türlenmiş çıktı bileşenleri, belirteçleyici ve işlemci dosyaları ile Python yardımcıları bulunuyor; böylece Workers AI kullanmak yerine PyTorch ve Transformers ile yerel çıkarım yapılabiliyor.
Bu sürüm, Cloudflare’ın 19 Ekim 2026 tarihli barındırılan önizlemesinin ardından geldi. Önizleme, erken bir kontrol noktasını kullanıyor ve açık ağırlıkların ek çalışmaların ardından sunulacağını belirtiyordu. Önizleme zaten veri çıkarmayı, hesaplamayı, tahmin yürütmeyi ve öngörüde bulunmayı kapsıyordu; kılavuzda ise çok adımlı aritmetik, destekleyici kanıt olmadan yapılan tahminler ve temel öngörü işlevleri sınırlamalar arasında sayılmıştı.
Yeniden Tasarlanan Veri Çıkarma Mimarisi
Cloudflare, sıradan metin ve sayı çıkarma işlemleri için önizlemedeki tek ileri geçişli tasarımın yerine paralel yuva otoregresif üretimini getirdi. Sunum toplu işlemindeki alanlar birlikte ilerliyor; ancak her alan, sonraki belirteci seçmek için daha önce kendisinin ürettiği belirteçleri kullanıyor ve kendi bitiş işaretçisine ulaştığında duruyor. Tahminler, öngörüler, süreler, hesaplanan tarihler ve açık aritmetik işlemleri ayrı başlıklar ele alıyor. Cloudflare, bu değişikliğin gecikmeyi az da olsa artırırken metin ve görsellerden veri çıkarma doğruluğunu iyileştirdiğini bildiriyor.
Türlenmiş arayüz, benzersiz biçimde eşleştirilen metin kanıtları için güven puanlarını, null olasılıklarını ve karakter aralıklarını koruyor; yalnızca görsele dayanan veya belirsiz kanıtlarda aralıklar null oluyor. Girdiler metin veya JSON, isteğe bağlı görseller ve gömülü PDF’ler olabiliyor; çıktılarda ise türlenmiş değerler, listeler, null değerler, tahminler ve öngörü yolları bulunuyor. İstek başına toplamda en fazla dört görsel veya işlenmiş PDF sayfası kabul ediliyor; gömülü girdilerin her biri en fazla 4 MiB, toplamı ise en fazla 8 MiB olabiliyor. Uzak medya URL’leri kabul edilmiyor.
PDF desteği sayesinde tek bir istekte, tedarikçi, kalemler ve toplam tutar farklı sayfalarda yer alsa bile bunlar sorulabiliyor; kalem satırlarında her bir açıklama, miktar ve fiyat korunuyor. Sayfa sınırı, her model çağrısının kapsamını belirliyor: model, tüm bir belge deposu yerine sınırlı sayıda sayfayı işliyor.
Şirketin Bildirdiği Doğruluk ve Gecikme Süreleri
Cloudflare’ın şirket içi değerlendirmelerinde, güncellenmiş modeller ve önceki önizleme kontrol noktası için doğru yanıt sayıları şöyle bildiriliyor:
| Değerlendirme | Clairic-preview | Clairic | Clairic-flash |
|---|---|---|---|
| 96 istekle, yeni metin alanları | 295/336 | 335/336 | 328/336 |
| 139 istek biçimiyle, izlenen müşteri iddiaları | 1,033/1,263 | 1,263/1,263 | 1,263/1,263 |
| Metin ve görsellerdeki sentetik makbuz alanları | 369/576 | 576/576 | 576/576 |
Şirket, herkese açık veri çıkarma kıyaslama testlerinin bulunmadığını söylüyor ve Liquid AI’ın optik karakter tanımayla birlikte kullanılan D1.2 modeli ile Scaledown’ın Extract ürünüyle yaptığı karşılaştırmaları yön gösterici, şirketin kendi bildirdiği değerlendirmeler olarak nitelendiriyor. Dolayısıyla bu rakamlar, Cloudflare’ın önizleme sürümüne kıyasla kaydettiğini bildirdiği ilerlemeyi belgeliyor; veri çıkarma modelleri arasında bağımsız bir sıralama ortaya koymuyor.
Cloudflare, yeni metin alanlarında Clairic için ortanca ve 95. yüzdelik dilimdeki yanıt sürelerinin sırasıyla 358 ms ve 736 ms olduğunu, Clairic-flash içinse bu sürelerin 155 ms ve 328 ms olarak ölçüldüğünü bildiriyor. Yeni görsel alanlarında aynı yüzdelik dilimlerde Clairic için 453 ms ve 976 ms, Clairic-flash içinse 305 ms ve 605 ms ölçüldü. Testlerde, kendi sunucusunda barındırılan bir sunucudan alınan eksiksiz HTTP yanıtları ölçüldü ve her istekteki tüm alanlar hesaba katıldı.
Uç Nokta Geçişi ve Girdi Belirteci Fiyatlandırması
Workers AI’da büyük model artık farklı bir uç noktada yer alıyor @cf/cloudflare/clairic, küçük model varyantı ise başka bir uç noktaya taşınıyor @cf/cloudflare/clairic-flash. Önizleme Clairic uç noktasını kullanan uygulamalar, güncelleme kullanıma sunuldukça yeni modeli mevcut uç noktada otomatik olarak alıyor; barındırılan API şemaları ise değişmeden kalıyor. Maliyet hassasiyeti yüksek iş yükleri olan müşteriler bunun yerine daha ucuz Clairic-flash uç noktasını kullanabilir.
Cloudflare, standart Workers AI fiyatlandırmasını Clairic için girdi belirteci başına milyon başına 0,24 dolar, Clairic-flash içinse milyon başına 0,10 dolar olarak belirledi; yeniden tasarlanan mimari çıktı belirteçleri üretse de bunlar için ücret alınmıyor. 1 Aralık 2026’ya kadar sürecek bir kampanyada her iki modelin girdi belirteci fiyatı milyon başına 0,10 dolar. Ardından Clairic için indirim sona eriyor ve standart fiyatı yeniden uygulanıyor.
Bu sürümler ayrıca, Cloudflare’ın Clef ve Clairic’in arkasındaki öncü araştırma grubu olarak tanımladığı Workers AI Superintelligence ekibini de tanıtıyor. Ekibin System One stratejisi, dar kapsamlı görevleri pahalı, genel amaçlı LLM çağrılarından daha küçük ve belirli amaçlara göre tasarlanmış modellere aktarmak.
Cloudflare’ın yalnızca girdi için uyguladığı fiyatlandırma, token üretimine geçildikten sonra bile özgün System One maliyet modelini korurken açık ağırlıklar, modelleri kendileri çalıştıran kullanıcılara model sunma maliyetleri ve kontrolü bırakıyor. Açıkta kalan soru, olasılık puanları için kabul eşiklerini her uygulamanın belirlemesine izin veren model kartları göz önüne alındığında, şirket içindeki sonuçların üretim belgelerine ne ölçüde aktarılabileceği.












