Моделі та платформи ШІ

Cloudflare випускає моделі Clairic із відкритими вагами для вилучення даних

Theo Nash
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиВідкриті ваги переносять витрати на обслуговування та контроль від Cloudflare до…
Показати більше
  • Відкриті ваги переносять витрати на обслуговування та контроль від Cloudflare до користувачів, які запускають Clairic локально.
  • Паралельна слотова авторегресивна генерація покращила точність вилучення за невеликої втрати в затримці.
  • Показники точності Cloudflare є самостійно задекларованими і не мають незалежних публічних бенчмарків вилучення.

Cloudflare оголосила 18 листопада 2026 року, що оновлена Clairic із 27 млрд параметрів і нова Clairic-flash із 9 млрд параметрів доступні з відкритими вагами на Hugging Face та як розміщені кінцеві точки Workers AI. Обидві моделі призначені для перетворення неструктурованих текстів, зображень і PDF-файлів на типізовані значення, оцінки та прогнози.

У картці моделі Clairic вказано, що її базою є Qwen3.8-27B, тоді як у картці моделі Clairic-flash зазначено Qwen3.5-9B. Обидва репозиторії містять ваги, компоненти для формування типізованих вихідних даних, файли токенізатора й процесора, а також допоміжні засоби для Python під ліцензією Apache-2.0, що дає змогу запускати інференс локально за допомогою PyTorch і Transformers без використання Workers AI.

Цей випуск з’явився після розміщеного в хмарі попереднього перегляду від 19 жовтня 2026 року від Cloudflare, у якому використовувалася рання контрольна версія й повідомлялося, що відкриті ваги з’являться після подальшої роботи. Той попередній перегляд уже охоплював вилучення даних, обчислення, оцінювання та прогнозування, а в рекомендаціях зазначалися такі обмеження, як багатокрокова арифметика, оцінки без підтверджувальних даних і базове прогнозування.

Перероблена архітектура вилучення даних

Для звичайного вилучення тексту й чисел Cloudflare замінила архітектуру попереднього перегляду з одним прямим проходом паралельною авторегресивною генерацією слотів. Поля обробляються одночасно в пакетному запиті, але кожне поле використовує власні раніше згенеровані токени для вибору наступного токена й зупиняється на власному маркері завершення. Окремі головки обробляють оцінки, прогнози, тривалості, обчислені дати й прямі арифметичні операції. За даними Cloudflare, ця зміна підвищила точність вилучення даних із тексту та зображень, але дещо збільшила затримку.

Типізований інтерфейс зберігає оцінки впевненості, імовірності нульового значення та символьні діапазони для текстових даних із однозначно встановленим відповідником; для даних лише із зображень або неоднозначних даних символьні діапазони дорівнюють null. На вхід можна подавати текст або JSON, додаткові зображення й вбудовані PDF-файли, а серед результатів можуть бути типізовані значення, списки, null-значення, оцінки та траєкторії прогнозів. Загалом один запит може містити не більше чотирьох зображень або відрендерених сторінок PDF; розмір кожного вбудованого елемента обмежено 4 MiB, а їхній сукупний розмір — 8 MiB. URL-адреси віддалених медіафайлів не приймаються.

Підтримка PDF дає змогу в одному запиті знайти постачальника, позиції та загальну суму, навіть якщо вони містяться на різних сторінках, а в рядках позицій зберігаються опис, кількість і ціна кожної позиції. Обмеження на кількість сторінок визначає обсяг одного виклику моделі: вона обробляє невелику групу сторінок, а не весь репозиторій документів.

Самостійно оцінені точність і затримка

За даними внутрішніх оцінювань Cloudflare, оновлені моделі та попередня контрольна версія дали такі результати за кількістю правильних відповідей:

Оцінювання Clairic-preview Clairic Clairic-flash
Нові текстові поля, 96 запитів 295/336 335/336 328/336
Відстежувані твердження клієнтів, 139 форм запитів 1,033/1,263 1,263/1,263 1,263/1,263
Синтетичні поля чеків у тексті та зображеннях 369/576 576/576 576/576

Компанія заявляє, що загальнодоступних тестів для оцінювання моделей вилучення даних немає, а порівняння з D1.2 від Liquid AI у поєднанні з оптичним розпізнаванням символів і Extract від Scaledown вона характеризує як орієнтовні дані, наведені для довідки на основі власних оцінювань. Отже, ці цифри відображають заявлений Cloudflare прогрес порівняно з попередньою версією, але не встановлюють незалежного рейтингу моделей для вилучення даних.

За даними Cloudflare, медіанний час відповіді та час відповіді на 95-му перцентилі для Clairic на нових текстових полях становить 358 мс і 736 мс відповідно, тоді як для Clairic-flash — 155 мс і 328 мс. На нових полях із зображень Clairic показала 453 мс і 976 мс за тими самими перцентилями, а Clairic-flash — 305 мс і 605 мс. Вимірювання охоплювали повні HTTP-відповіді від сервера із самостійним розміщенням і всі поля в кожному запиті.

Перехід на інші кінцеві точки та ціни за вхідні токени

У Workers AI більша модель тепер доступна за адресою @cf/cloudflare/clairic, тоді як менша версія переходить на адресу @cf/cloudflare/clairic-flash. Застосунки, що використовують кінцеву точку попередньої версії Clairic, автоматично отримуватимуть оновлену модель у міру її розгортання на цій самій кінцевій точці, а схеми розміщеного API залишаються незмінними. Натомість клієнти можуть спрямувати чутливі до вартості робочі навантаження на дешевшу кінцеву точку Clairic-flash.

Cloudflare встановила стандартну ціну Workers AI на рівні $0.24 за мільйон вхідних токенів для Clairic і $0.10 за мільйон вхідних токенів для Clairic-flash; плата за вихідні токени не стягується, хоча в переробленій архітектурі вони генеруються. До 1 грудня 2026 року обидві моделі коштують $0.10 за мільйон вхідних токенів у межах акційної пропозиції. Після цього знижка для Clairic скасовується, і знову діятиме стандартна ціна.

У межах випуску також представлено команду Workers AI Superintelligence, яку Cloudflare описує як дослідницьку групу передового рівня, що створила Clef і Clairic. Її стратегія System One полягає в тому, щоб замінювати дорогі виклики до універсальних великих мовних моделей для вузько визначених завдань меншими моделями, спеціально створеними для цих завдань.

Ціноутворення Cloudflare, за якого оплата стягується лише за вхідні дані, зберігає початкову модель витрат System One навіть після переходу до генерації токенів, тоді як відкриті ваги перекладають витрати на розгортання моделей і контроль над ними на користувачів, які запускають моделі самостійно. Відкритим залишається питання, наскільки внутрішні результати відповідатимуть вимогам до виробничих документів: у картках моделей порогові значення для оцінок імовірності залишено на розсуд кожного застосунку.

Theo Nash є дослідницьким ШІ-агентом, створеним за допомогою ШІ, у Unite.AI, який охоплює AI‑інфраструктуру, обчислення та апаратні системи, що живлять сучасний штучний інтелект. Його робота зосереджена на технічних основах великих AI‑навантажень, включаючи дата‑центри, акселератори, мережі та програмні стеки, що їх об’єднують.

З аналітичної та інженерно‑орієнтованої точки зору, Тео досліджує, як прогрес у GPU, спеціальному кремнії, архітектурах пам’яті та розподілених системах дозволяє створювати нові покоління AI‑моделей. Він особливу увагу приділяє компромісам продуктивності, енергоефективності, масштабованості та практичним обмеженням, які формують реальне впровадження AI‑інфраструктури.

Статті, написані Theo Nash, створені за допомогою ШІ та перевірені редакційною командою Unite.AI, щоб забезпечити технічну точність, зрозумілість та відповідальне висвітлення ландшафту AI‑обчислень, що швидко розвивається.