Cloudflare上线Clairic 首个提取类模型

时间：2026 年 10 月 19 日，Cloudflare 官方博客与开发者更新日志同步公布 Clairic 的预览上线；次日（10 月 20 日）中文科技媒体与开发者社区开始集中跟进。 地点：美国旧金山（Cloudflare 总部）；模型托管于 Cloudflare Workers AI 云平台，可通过 Worker 绑定或 REST API 调用。 人物：Cloudflare 官方发布团队；模型品类脉络由 TypeSafe 提出——该公司约一个月前推出 Jev 决策模型，并首次使用“System One”这一命名（借用自丹尼尔·卡尼曼《思考，快与慢》中的系统一概念）。Cloudflare 此前于 10 月 1 日发布决策模型 Clef 与 Clef-flash。 事件详情： 模型定位：Clairic 是 Cloudflare 所称的第一个“提取类模型”（extraction model），属于 System One 类别。它不生成文本、不生成任何 token，而是在一次前向计算中直接对输入做读取、计算、估计与预测，返回带类型的结果。 调用方式：开发者提交一段 state（待读文本，另可附带最多 4 张 PNG、JPEG 或 WebP 图片，单张不超过 4 MiB）加上一张字段类型表，模型为每个字段返回一个类型化答案。支持九种字段类型：text（返回输入中的精确片段及字符偏移）、number（读取或计算所得，支持整数与小数）、date、time、datetime、duration、list（按输入顺序返回全部匹配项）、estimate（返回落在调用方给定区间与步长网格内的分布）、forecast（对序列最多外推 64 步，每步各带区间）。字段数量没有上限，超出一趟 8192 token 处理容量的字段会被拆到并行趟次中，各自看到完整输入后再合并。 不确定性设计：每个标量答案都带 p_null（输入无法确定该值的概率）与 confidence 置信度；估计与预测额外给出中位数和 80% 置信区间（p10 至 p90），也可按需取全部 99 个分位点。输入无法确定的字段返回 null，另附一个 guess 字段展示“若强行作答会选什么”，而不是直接编造。 成本与规格：上下文窗口 65536 token，支持视觉输入。定价为每百万输入 token 0.10 美元，由于不产出 token，只计输入、不计输出。同价目表上，Cloudflare 决策模型 Clef 为每百万输入 token 0.240 美元；Workers AI 按 Neuron 计费，Clairic 为每百万输入 token 9091 个 Neuron，每个账户每天有 1 万个免费 Neuron 额度。 实测数据：在 Cloudflare 公开的美国运输安全管理局（TSA）安检日流量序列上做 21 天预测，官方称平均绝对误差 3.3%，21 个真实值中有 17 个落在模型的 80% 预测区间内，四次偏差中有三次出现在哥伦布日周末；在内部“损坏商品理赔”流程的对比中，Clairic（提取）→ Clef（决策）→ GLM-5.3（撰写回复）的级联方案端到端耗时 19.3 秒，而每一步都用 GLM-5.3 的全 LLM 方案耗时 61.7 秒，约快 3.2 倍；成本为每百万次理赔 6032 美元对 11740 美元，节省约 49%。Cloudflare 称在纯 LLM 方案中，Gemma 4 与 Qwen 无法推导维修费用这类数值而直接失败。 开放计划：官方表示将在后续 checkpoint 迭代后开放模型权重，但未给出具体时间表；当前仍是预览阶段。 背景： 过去两年大模型的工程化路径集中在“加上下文”和“加推理”，企业大量支出其实花在结构化抽取这类简单任务上——发票金额、交付日期、逾期天数、维修报价。这类答案不需要逐 token 生成，也不该按推理 token 付费。 Cloudflare 正在把模型品类拆成三层：提取模型负责把非结构化输入变成类型化数值，决策模型负责在给定选项间做选择并返回概率，大语言模型负责开放式推理与写作。Clairic 补上的正是第一层。Cloudflare 自己的表述是：抽取喂给决策，决策再喂给最终生成的回复。 这一分层思路并非 Cloudflare 独有。TypeSafe 一个月前发布 Jev 决策模型时提出“System One”概念，Cloudflare 的 Clef 在 10 月 1 日跟进并开源（基于 Qwen 基座后训练，Apache 2.0 协议，Hugging Face 可下载），此前也已公开称 Clef 速度可达 Jev 的 13 倍。 影响： 对数据处理与自动化流程，把“读文档”这一层从 LLM 调用链上摘下来，意味着常规结构化任务的延迟与成本同时下降。Cloudflare 的案例显示，抽取加决策两步可在 1 秒内完成，而 LLM 完成同样两步需要 38 秒。 对成本敏感的场景，Clairic 的按输入计费、无输出 token 的设计直接改变了单位成本结构——问 30 个字段与问 3 个字段的花费几乎相同。官方建议在一次调用中批量打分多条候选，再用 p_null 与置信度决定哪些自动放行、哪些转人工复核。 对模型竞争格局，这是一条与“更大基座模型”并行的路线：不追求通用生成能力，而是把一类窄任务做到更准、更快、更便宜。若后续开放权重且独立评测能复现官方数字，抽取环节有可能从“调用前沿 LLM”变成“调用一个小专用模型”。 需要提示的是，上述效率与精度数据全部来自 Cloudflare 自测，目前尚无第三方独立复现；官方也明确承认 Cloudflare 当前的端点是早期 checkpoint，一步、两步算术（合计、差值、单位换算、日期加减）看起来可靠，但多步依赖计算和跨多行表格的汇总在没有 scratchpad 的情况下仍然困难，预测能力被评为“基础级”，且在分布外数据上置信区间可能失准。 总结： Clairic 把“让模型输出一个数字”这件事从生成问题变成了读取与解码问题——不吐 token，只交付类型化答案，并把不确定性以 p_null 和置信区间显式交还调用方。它未必能替代大模型，但在发票、报价单、物流单据这类每天成千上万次重复的结构化任务上，19.3 秒对 61.7 秒、6032 美元对 11740 美元这组数字，才是最能说明其价值的地方。 参考来源： 1. https://blog.cloudflare.com/clairic-extraction-model/ 2. https://developers.cloudflare.com/changelog/post/2026-10-19-clairic-workers-ai/ 3. https://developers.cloudflare.com/workers-ai/models/clairic/ 4. https://developers.cloudflare.com/workers-ai/concepts/extraction-models/ 5. https://www.unite.ai/cloudflare-releases-clairic-its-first-system-one-extraction-model 6. https://blog.cloudflare.com/clef-decision-models/ 7. https://ccleaks.com/news/cloudflare-clairic-extraction-model-oct-2026 8. https://aixvz.cc/news/cloudflare-launches-clairic-extraction-model-on-workers-ai 9. https://deniz.in/cloudflare-launches-clairic-extraction-model-on-workers-ai-open-weights-planned