Cloudflare kündigte am Dienstag die Vorschau von Clairic an, einem Extraktionsmodell, das das Unternehmen als das erste einer neuen Klasse von „System One“-Modellen beschreibt, die darauf ausgelegt sind, strukturierte Werte aus unstrukturierten Daten zu extrahieren, ohne dass die Token-für-Token-Generierung erforderlich ist, die große Sprachmodelle definiert. Das Modell ist jetzt als Vorschau auf der Workers AI-Plattform von Cloudflare unter @cf/cloudflare/clairic verfügbar und das Unternehmen gibt bekannt, dass es beabsichtigt, die Gewichtungen des Modells in naher Zukunft offen zu veröffentlichen.
Der Start positioniert Cloudflare direkt in einer der interessanteren Debatten, die derzeit den KI-Infrastrukturmarkt neu gestalten: ob jede Aufgabe, die einem LLM zugewiesen ist, tatsächlich ein LLM benötigt. Weitere Informationen zu dieser Geschichte finden Sie in unserer aktuelle KI-Trends.
Was Clairic tut – und was es absichtlich nicht tut
Clairic ist für eine begrenzte, aber äußerst häufige Aufgabe konzipiert: das Lesen chaotischer, unstrukturierter Eingaben und die Rückgabe eingegebener Werte. Der Ankündigung von Cloudflare zufolge kann das Modell Werte aus unstrukturierten Eingaben extrahieren, berechnen, schätzen und vorhersagen und dabei Zahlen mit einem Bereich von 80 %, typisierte Werte wie Namen, Datumsangaben, Uhrzeiten und Listen sowie vollständige Wahrscheinlichkeitsverteilungen zurückgeben – jeweils mit kalibrierter Konfidenz.
Was es nicht tut, ist, Text zu generieren. Eine Abfrage an Clairic gibt entweder einen Wert des Typs zurück, den der Entwickler deklariert hat, oder ein Nullergebnis gepaart mit einem p_null-Score, der die Wahrscheinlichkeit schätzt, dass die Antwort einfach nicht in der Eingabe vorhanden ist. Jede Antwort wird mit einem Konfidenzwert geliefert, sodass nachgelagerte Systeme entscheiden können, ob sie ihr vertrauen oder sie zur menschlichen Überprüfung markieren.
Cloudflare macht den Kompromiss deutlich. Da Clairic keine Token generiert, kann es kein fehlerhaftes JSON erzeugen, eine Ziffer in der Mitte der Generation falsch lesen oder eine Antwort halluzinieren, wie dies bei einem LLM der Fall ist. Es kann immer noch Fehler machen – in diesem Punkt ist das Unternehmen vorsichtig –, aber seine Fehler sind eher typisiert und messbar als frei formuliert.
Das „System One“-Label, erklärt
Die Terminologie stammt vom KI-Startup TypeSafe, das vor etwa einem Monat seine eigenen System One-Modelle ankündigte und schnell zu einem der meistdiskutierten Starts in der Entwickler-Community wurde. Die Formulierung lehnt sich an das Buch „Thinking, Fast and Slow“ des Psychologen Daniel Kahneman an: Das Denken im System Eins ist schnell, automatisch und präzise, während das Denken im System Zwei langsam und bewusst ist. TypeSafe hat diese Unterscheidung auf KI-Modelle übertragen und argumentiert, dass viele Produktions-Workloads schnelle, gut getippte Antworten statt offener Argumentation benötigen.
Jev von TypeSafe, ein speziell für eine bestimmte Domäne entwickeltes Entscheidungsmodell, verwendete Wahrscheinlichkeiten als Eingaben und gab Wahrscheinlichkeiten über eine feste Liste möglicher Antworten zurück. Bisher war das die ganze Kategorie: Jedes System One-Modell war ein Entscheidungsmodell.
Clairic erweitert das Konzept. Wenn ein Entscheidungsmodell zwischen vordefinierten Optionen auswählt, antwortet ein Extraktionsmodell mit Werten – Zahlen, die direkt aus der Eingabe gezogen, daraus berechnet oder darüber hinaus prognostiziert werden. Laut Cloudflare bilden die beiden Modellfamilien neben herkömmlichen LLMs nun einen dreischichtigen Stapel: Extraktionsmodelle wandeln Roheingaben in typisierte Werte um, Entscheidungsmodelle wandeln Werte in Entscheidungen um und LLMs wandeln Entscheidungen in Worte um.
Warum die Extraktion reif für ein Umdenken ist
Das Argument von Cloudflare beruht darauf, wie viel des heutigen LLM-Verkehrs für Arbeit aufgewendet wird, die überhaupt nicht nach Konversation aussieht. Das Unternehmen bezeichnet die Extraktion als „wahrscheinlich die häufigste Aufgabe, die heute LLMs übertragen wird“ – das Extrahieren eines Rechnungsbetrags, eines Lieferdatums oder einer Teilenummer aus einem Dokument.
Das Problem besteht laut Cloudflare darin, dass LLMs diese Aufgabe mit Maschinen erledigen, die für etwas anderes gebaut sind. Die Ausgabe ist möglicherweise kein gültiges JSON. Bei der Generierung von Token kann eine Ziffer falsch gelesen werden. Ein zurückgegebener Textauszug kann nicht auf seine Position im Quelldokument zurückgeführt werden. Teams reagieren, indem sie Modelle in defensive Pipelines einbinden: Schemavalidatoren, Wiederholungslogik, Parsing-Ebenen und Stichproben. Und da LLMs Argumentation und Ausgabetokens in Rechnung stellen, verursacht jedes Feld jedes Dokuments einen Generierungskostenaufwand, der mit der Ausführlichkeit und nicht mit der Schwierigkeit der Aufgabe skaliert.
Ein Extraktionsmodell von System One kehrt diese Ökonomie um. Laut Cloudflare verarbeitet Clairic Eingaben mit einem einzigen Vorwärtsdurchlauf, berechnet nur Eingabe-Tokens und antwortet in der Regel in weniger als einer Sekunde – während ein schlussfolgernder LLM, der dieselben Felder durcharbeitet, mehrere Sekunden dauern kann. Bei der Verarbeitung großer Dokumentenmengen verschärft sich der Unterschied schnell.
Wie eine Anfrage tatsächlich funktioniert
Entwickler senden Clairic einen Status – den zu lesenden Text sowie bis zu vier optionale Bilder – zusammen mit einer Karte mit eingegebenen Feldern. Jedes Feld enthält einen Namen, einen Typ und optionale Anweisungen in einfacher Sprache. Das Modell gibt eine typisierte Antwort pro Feld zurück, die in einem einzigen parallelen Durchgang berechnet wird. Wenn die Feldliste in einem Durchgang nicht neben die Eingabe passt, teilt der Server die Arbeit in parallele Durchgänge auf, die jeweils die vollständige Eingabe sehen, und führt dann die Antworten zusammen.
Bei Schätzaufgaben liegen die Antworten als Verteilung vor: ein Median mit einem 80 %-Intervall über das 10. bis 90. Perzentil, wobei alle 99 Perzentile auf Anfrage verfügbar sind. Dadurch ist das Modell für prognoseartige Fragen verwendbar – erwartete Reparaturkosten, Lieferzeiten, Verkehr am nächsten Tag –, bei denen eine Einzelpunktschätzung die Sicherheit des Modells überbewerten würde.
Ein Signal für den Infrastrukturmarkt
Ob Clairic selbst Erfolg hat, ist fast nebensächlich. Die Einführung ist ein weiterer Meilenstein in einem rasanten Wandel unter Infrastrukturanbietern hin zur richtigen Dimensionierung von Modellen für Aufgaben: kleine, schnelle und kostengünstige Modelle für eng strukturierte Arbeiten, wobei Grenz-LLMs wirklich offenen Überlegungen vorbehalten sind. Die eigene Positionierung von Cloudflare – dass Extraktions-, Entscheidungs- und Sprachmodelle im Einklang funktionieren sollten – liest sich als Blaupause dafür, wie seiner Meinung nach Produktions-KI-Stacks zusammengestellt werden.
Das Unternehmen hat keinen Termin für die versprochene Veröffentlichung der Open-Weights bekannt gegeben. Derzeit ist Clairic als Vorschau auf Workers AI verfügbar, wo Entwickler es anhand ihrer eigenen Extraktions-Workloads testen können – und herausfinden, wie viel ihrer LLM-Rechnung jemals wirklich notwendig war.
_Dieser Artikel basiert auf der offiziellen Ankündigung von Cloudflare zur Vorschau des Clairic-Extraktionsmodells._
---
Bleib vorne bei KIDie neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Mehr KI-Nachrichten lesen →
