Cloudflare anunció el martes la vista previa de Clairic, un modelo de extracción que la compañía describe como el primero de una nueva clase de modelos "System One" diseñados para extraer valores estructurados de datos no estructurados sin ninguna generación token por token que define los grandes modelos de lenguaje. El modelo ya está disponible en versión preliminar en la plataforma Workers AI de Cloudflare como @cf/cloudflare/clairic, y la compañía dice que tiene la intención de publicar abiertamente los pesos del modelo en un futuro próximo.
El lanzamiento posiciona a Cloudflare directamente dentro de uno de los debates más interesantes que ahora están remodelando el mercado de infraestructura de IA: si cada tarea asignada a un LLM realmente necesita un LLM. Para más contexto sobre esta historia, consulta nuestra actualidad de inteligencia artificial.
Lo que hace Clairic y lo que deliberadamente no hace
Clairic está diseñado para un trabajo limitado pero enormemente común: leer entradas desordenadas y no estructuradas y devolver valores escritos. Según el anuncio de Cloudflare, el modelo puede extraer, calcular, estimar y pronosticar valores a partir de entradas no estructuradas, devolviendo números con un rango del 80%, valores escritos como nombres, fechas, horas y listas, y distribuciones de probabilidad completas, cada una con confianza calibrada.
Lo que no hace es generar texto. Una consulta a Clairic devuelve un valor del tipo declarado por el desarrollador o un resultado nulo combinado con una puntuación p_null que estima la probabilidad de que la respuesta simplemente no esté presente en la entrada. Cada respuesta se envía con una puntuación de confianza para que los sistemas posteriores puedan decidir si confiar en ella o marcarla para revisión humana.
Cloudflare es explícito sobre la compensación. Debido a que Clairic no genera tokens, no puede producir JSON con formato incorrecto, leer mal un dígito de mitad de generación o alucinar una respuesta como lo hace un LLM. Todavía puede cometer errores (la empresa es cuidadosa en ese punto), pero sus fallas son mecanografiadas y mensurables en lugar de forma libre.
La etiqueta 'System One', explicada
La terminología proviene de la startup de IA TypeSafe, que anunció sus propios modelos System One hace aproximadamente un mes y rápidamente se convirtió en uno de los lanzamientos más discutidos en la comunidad de desarrolladores. El encuadre toma prestado del libro del psicólogo Daniel Kahneman "Pensar, rápido y lento": el pensamiento del Sistema Uno es rápido, automático y preciso, mientras que el pensamiento del Sistema Dos es lento y deliberado. TypeSafe asignó esa distinción a los modelos de IA, argumentando que muchas cargas de trabajo de producción necesitan respuestas rápidas y bien escritas en lugar de razonamientos abiertos.
Jev de TypeSafe, un modelo de decisión creado específicamente para un dominio específico, tomó probabilidades como entradas y devolvió probabilidades sobre una lista fija de posibles respuestas. Hasta ahora, esa era toda la categoría: cada modelo System One era un modelo de decisión.
Clairic amplía el concepto. Cuando un modelo de decisión elige entre opciones predefinidas, un modelo de extracción responde con valores: números extraídos directamente de la entrada, calculados a partir de ella o pronosticados más allá de ella. Cloudflare dice que las dos familias de modelos, junto con los LLM convencionales, ahora forman una pila de tres capas: los modelos de extracción convierten la entrada sin procesar en valores escritos, los modelos de decisión convierten los valores en decisiones y los LLM convierten las decisiones en palabras.
Por qué es necesario repensar la extracción
El argumento de Cloudflare se basa en cuánto del tráfico actual de LLM se gasta en trabajos que no se parecen en nada a una conversación. La compañía llama a la extracción "probablemente el trabajo más común que se le asigna a los LLM en la actualidad": extraer el total de una factura, una fecha de entrega o un número de pieza de un documento.
El problema, según cuenta Cloudflare, es que los LLM manejan ese trabajo con maquinaria construida para otra cosa. Es posible que la salida no sea JSON válida. Un dígito puede malinterpretarse a medida que se generan los tokens. Un extracto de texto devuelto no se puede rastrear hasta su ubicación en el documento fuente. Los equipos responden envolviendo los modelos en procesos defensivos: validadores de esquemas, lógica de reintento, capas de análisis y comprobaciones puntuales. Y debido a que los LLM cobran por razonamiento y tokens de salida, cada campo de cada documento conlleva un costo de generación que aumenta con la verbosidad en lugar de con la dificultad de la tarea.
Un modelo de extracción System One invierte esa economía. Cloudflare dice que Clairic procesa la entrada con un solo paso hacia adelante, cobra solo por los tokens de entrada y generalmente responde en menos de un segundo, mientras que un LLM de razonamiento que trabaja en los mismos campos puede tardar varios segundos. Para el procesamiento de documentos de gran volumen, la diferencia se agrava rápidamente.
Cómo funciona realmente una solicitud
Los desarrolladores envían a Clairic un estado (el texto para leer, más hasta cuatro imágenes opcionales) junto con un mapa de campos escritos. Cada campo lleva un nombre, un tipo e instrucciones opcionales en lenguaje sencillo. El modelo devuelve una respuesta escrita por campo, calculada en una sola pasada paralela. Si la lista de campos no cabe junto a la entrada en una sola pasada, el servidor divide el trabajo en pasadas paralelas, cada una de las cuales ve la entrada completa y luego fusiona las respuestas.
Para las tareas de estimación, las respuestas vienen como una distribución: una mediana con un intervalo del 80% que abarca los percentiles 10 al 90, con los 99 percentiles disponibles a pedido. Eso hace que el modelo sea utilizable para preguntas de tipo pronóstico (costos de reparación esperados, plazos de entrega, tráfico durante el día siguiente) donde una estimación de un solo punto exageraría la certeza del modelo.
Una señal para el mercado de infraestructura
Que Clairic tenga éxito no viene al caso. El lanzamiento es otro dato en un rápido cambio entre los proveedores de infraestructura hacia modelos de tamaño adecuado para las tareas: modelos pequeños, rápidos y baratos para un trabajo estructurado estrecho, con LLM de frontera reservados para un razonamiento genuinamente abierto. El propio posicionamiento de Cloudflare (que los modelos de extracción, decisión y lenguaje deberían funcionar al unísono) se lee como un modelo de cómo cree que se ensamblarán las pilas de producción de IA.
La compañía no ha anunciado una fecha para el lanzamiento prometido de los pesos abiertos. Por ahora, Clairic está disponible en versión preliminar en Workers AI, donde los desarrolladores pueden probarlo con sus propias cargas de trabajo de extracción y descubrir cuánto de su factura de LLM fue realmente necesario.
_Este artículo se basa en el anuncio oficial de Cloudflare sobre la vista previa del modelo de extracción de Clairic._
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
