Cloudflare a annoncé mardi l'aperçu de Clairic, un modèle d'extraction que la société décrit comme le premier d'une nouvelle classe de modèles « System One » conçus pour extraire des valeurs structurées de données non structurées sans aucune génération jeton par jeton qui définit les grands modèles de langage. Le modèle est désormais disponible en avant-première sur la plateforme Workers AI de Cloudflare sous le nom @cf/cloudflare/clairic, et la société annonce son intention de publier ouvertement les pondérations du modèle dans un avenir proche.
Ce lancement positionne Cloudflare directement dans l'un des débats les plus intéressants qui remodèlent actuellement le marché des infrastructures d'IA : si chaque tâche assignée à un LLM nécessite réellement un LLM. Pour plus de contexte sur cette histoire, consultez notre couverture de l'industrie de l'IA.
Ce que Clairic fait – et ce qu'il ne fait pas délibérément
Clairic est conçu pour un travail restreint mais extrêmement courant : lire des entrées désordonnées et non structurées et renvoyer des valeurs saisies. Selon l'annonce de Cloudflare, le modèle peut extraire, calculer, estimer et prévoir des valeurs à partir d'entrées non structurées, renvoyant des nombres avec une plage de 80 %, des valeurs saisies telles que des noms, des dates, des heures et des listes, ainsi que des distributions de probabilité complètes, chacune avec une confiance calibrée.
Ce qu'il ne fait pas, c'est générer du texte. Une requête adressée à Clairic renvoie soit une valeur du type déclaré par le développeur, soit un résultat nul associé à un score p_null qui estime la probabilité que la réponse ne soit tout simplement pas présente dans l'entrée. Chaque réponse est accompagnée d'un score de confiance afin que les systèmes en aval puissent décider de lui faire confiance ou de la signaler pour examen humain.
Cloudflare est explicite sur le compromis. Étant donné que Clairic ne génère aucun jeton, il ne peut pas produire de JSON mal formé, mal lire un chiffre à mi-génération ou halluciner une réponse comme le peut un LLM. Elle peut encore commettre des erreurs – l’entreprise est prudente sur ce point – mais ses échecs sont typés et mesurables plutôt que de forme libre.
Le label 'System One', expliqué
La terminologie vient de la startup d'IA TypeSafe, qui a annoncé ses propres modèles System One il y a environ un mois et est rapidement devenue l'un des lancements les plus discutés dans la communauté des développeurs. Le cadrage emprunte au livre du psychologue Daniel Kahneman « Penser, rapide et lent » : la pensée du Système Un est rapide, automatique et précise, tandis que la pensée du Système Deux est lente et délibérée. TypeSafe a mappé cette distinction sur les modèles d'IA, affirmant que de nombreuses charges de travail de production nécessitent des réponses rapides et bien typées plutôt qu'un raisonnement ouvert.
Jev de TypeSafe, un modèle de décision spécialement conçu pour un domaine spécifique, prenait des probabilités comme entrées et renvoyait des probabilités sur une liste fixe de réponses possibles. Jusqu’à présent, c’était toute la catégorie : chaque modèle System One était un modèle de décision.
Clairic étend le concept. Là où un modèle de décision sélectionne parmi des options prédéfinies, un modèle d'extraction répond avec des valeurs : des nombres extraits directement de l'entrée, calculés à partir de celle-ci ou prédits au-delà de celle-ci. Cloudflare affirme que les deux familles de modèles, aux côtés des LLM conventionnels, forment désormais une pile à trois couches : les modèles d'extraction transforment les entrées brutes en valeurs saisies, les modèles de décision transforment les valeurs en décisions et les LLM transforment les décisions en mots.
Pourquoi l’extraction est mûre pour être repensée
L'argument de Cloudflare repose sur la part du trafic LLM actuel qui est consacrée à un travail qui ne ressemble en rien à une conversation. L'entreprise considère l'extraction comme « probablement la tâche la plus courante confiée aux LLM aujourd'hui » : extraire le total d'une facture, une date de livraison ou un numéro de pièce d'un document.
Le problème, selon Cloudflare, est que les LLM gèrent ce travail avec des machines conçues pour autre chose. La sortie peut ne pas être un JSON valide. Un chiffre peut être mal lu lors de la génération de jetons. Un extrait de texte renvoyé ne peut pas être retracé jusqu'à son emplacement dans le document source. Les équipes réagissent en encapsulant les modèles dans des pipelines défensifs : validateurs de schéma, logique de nouvelle tentative, couches d'analyse et vérifications ponctuelles. Et comme les LLM facturent le raisonnement et les jetons de sortie, chaque champ de chaque document entraîne un coût de génération qui évolue avec la verbosité plutôt qu'avec la difficulté de la tâche.
Un modèle d’extraction System One inverse cette économie. Cloudflare indique que Clairic traite les entrées avec une seule passe avant, ne facture que les jetons d'entrée et répond généralement en moins d'une seconde – tandis qu'un LLM de raisonnement travaillant sur les mêmes champs peut prendre plusieurs secondes. Pour le traitement de documents volumineux, la différence s’accentue rapidement.
Comment fonctionne réellement une requête
Les développeurs envoient à Clairic un état – le texte à lire, plus jusqu'à quatre images facultatives – ainsi qu'une carte des champs saisis. Chaque champ porte un nom, un type et des instructions facultatives en langage clair. Le modèle renvoie une réponse saisie par champ, calculée en une seule passe parallèle. Si la liste des champs ne tient pas à côté de l'entrée en une seule passe, le serveur divise le travail en passes parallèles qui voient chacune l'entrée complète, puis fusionne les réponses.
Pour les tâches d'estimation, les réponses se présentent sous forme de distribution : une médiane avec un intervalle de 80 % s'étendant du 10e au 90e centile, les 99 centiles étant disponibles sur demande. Cela rend le modèle utilisable pour des questions de type prévisionnel (coûts de réparation prévus, délais de livraison, trafic le lendemain) pour lesquelles une estimation ponctuelle surestimerait la certitude du modèle.
Un signal pour le marché des infrastructures
Que Clairic lui-même réussisse est presque hors de propos. Ce lancement est un autre point de données dans une évolution rapide parmi les fournisseurs d'infrastructures vers des modèles adaptés aux tâches : des modèles petits, rapides et bon marché pour un travail structuré de manière étroite, avec des LLM frontières réservés à un raisonnement véritablement ouvert. Le propre positionnement de Cloudflare – selon lequel les modèles d'extraction, de décision et de langage doivent fonctionner à l'unisson – se lit comme un modèle de la façon dont il pense que les piles d'IA de production seront assemblées.
La société n’a pas annoncé de date pour la publication des poids ouverts promise. Pour l'instant, Clairic est disponible en avant-première sur Workers AI, où les développeurs peuvent le tester par rapport à leurs propres charges de travail d'extraction – et découvrir quelle part de leur facture LLM a jamais été vraiment nécessaire.
_Cet article est basé sur l'annonce officielle de Cloudflare concernant l'aperçu du modèle d'extraction Clairic._
---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
