Cloudflare kondigde dinsdag de preview aan van Clairic, een extractiemodel dat het bedrijf beschrijft als de eerste van een nieuwe klasse van 'System One'-modellen die zijn ontworpen om gestructureerde waarden uit ongestructureerde gegevens te halen zonder enige token-voor-token-generatie die grote taalmodellen definieert. Het model is nu als preview beschikbaar op het Workers AI-platform van Cloudflare als @cf/cloudflare/clairic, en het bedrijf zegt dat het van plan is de gewichten van het model in de nabije toekomst openlijk vrij te geven.
De lancering positioneert Cloudflare vierkant in een van de interessantere debatten die nu de markt voor AI-infrastructuur hervormen: of elke taak die aan een LLM is toegewezen, daadwerkelijk een LLM nodig heeft. Voor meer context over dit verhaal, zie ons meer AI-verhalen.
Wat Clairic doet – en wat het opzettelijk niet doet
Clairic is gebouwd voor een beperkte maar enorm veel voorkomende taak: het lezen van rommelige, ongestructureerde invoer en het retourneren van getypte waarden. Volgens de aankondiging van Cloudflare kan het model waarden extraheren, berekenen, schatten en voorspellen uit ongestructureerde invoer, waarbij getallen worden geretourneerd met een bereik van 80%, getypte waarden zoals namen, datums, tijden en lijsten, en volledige waarschijnlijkheidsverdelingen – elk met gekalibreerde betrouwbaarheid.
Wat het niet doet, is tekst genereren. Een zoekopdracht naar Clairic retourneert een waarde van het type dat de ontwikkelaar heeft aangegeven, of een null-resultaat gecombineerd met een p_null-score die de waarschijnlijkheid schat dat het antwoord eenvoudigweg niet aanwezig is in de invoer. Elk antwoord wordt geleverd met een betrouwbaarheidsscore, zodat downstream-systemen kunnen beslissen of ze het vertrouwen of markeren voor menselijke beoordeling.
Cloudflare is expliciet over de afweging. Omdat Clairic geen tokens genereert, kan het geen verkeerd opgemaakte JSON produceren, een cijfer halverwege de generatie verkeerd lezen of een antwoord hallucineren zoals een LLM dat kan. Het kan nog steeds fouten maken – het bedrijf is op dat punt voorzichtig – maar zijn fouten zijn eerder getypt en meetbaar dan in vrije vorm.
Het 'System One'-label, uitgelegd
De terminologie komt van de AI-startup TypeSafe, die ongeveer een maand geleden zijn eigen System One-modellen aankondigde en al snel een van de meest besproken lanceringen in de ontwikkelaarsgemeenschap werd. De formulering is ontleend aan het boek Thinking, Fast and Slow van psycholoog Daniel Kahneman: Systeem Eén denken is snel, automatisch en nauwkeurig, terwijl Systeem Twee denken langzaam en weloverwogen is. TypeSafe heeft dat onderscheid in kaart gebracht op AI-modellen, met het argument dat veel productiewerklasten snelle, goed getypeerde antwoorden nodig hebben in plaats van open redeneringen.
TypeSafe's Jev, een beslissingsmodel dat speciaal voor een specifiek domein is gebouwd, nam waarschijnlijkheden als invoer en retourneerde waarschijnlijkheden over een vaste lijst met mogelijke antwoorden. Tot nu toe was dat de hele categorie: elk System One-model was een beslissingsmodel.
Clairic breidt het concept uit. Waar een beslissingsmodel een keuze maakt uit vooraf gedefinieerde opties, antwoordt een extractiemodel met waarden: getallen die rechtstreeks uit de invoer worden gehaald, daaruit worden berekend of daarbuiten worden voorspeld. Cloudflare zegt dat de twee modelfamilies, naast conventionele LLM's, nu een stapel van drie lagen vormen: extractiemodellen zetten ruwe invoer om in getypte waarden, beslissingsmodellen zetten waarden om in beslissingen, en LLM's zetten beslissingen om in woorden.
Waarom extractie rijp is voor een heroverweging
Het argument van Cloudflare berust op de vraag hoeveel van het huidige LLM-verkeer wordt besteed aan werk dat in niets op een gesprek lijkt. Het bedrijf noemt extractie "waarschijnlijk de meest voorkomende taak die tegenwoordig aan LLM's wordt overhandigd": het ophalen van een factuurtotaal, een leveringsdatum of een onderdeelnummer uit een document.
Het probleem is volgens Cloudflare dat LLM's die klus klaren met machines die voor iets anders zijn gebouwd. Uitvoer is mogelijk geen geldige JSON. Een cijfer kan verkeerd worden gelezen als er tokens worden gegenereerd. Een geretourneerd tekstfragment kan niet worden herleid naar de locatie in het brondocument. Teams reageren door modellen in defensieve pijplijnen te plaatsen: schemavalidators, logica voor nieuwe pogingen, parseerlagen en steekproeven. En omdat LLM's redeneer- en uitvoertokens factureren, brengt elk veld van elk document generatiekosten met zich mee die schaalbaar zijn met de breedsprakigheid in plaats van met de moeilijkheidsgraad van de taak.
Een System One-extractiemodel keert die economie om. Cloudflare zegt dat Clairic invoer verwerkt met een enkele voorwaartse doorgang, alleen invoertokens in rekening brengt en doorgaans binnen een seconde reageert – terwijl een redenerende LLM die door dezelfde velden werkt enkele seconden kan duren. Bij de verwerking van grote volumes documenten wordt het verschil snel groter.
Hoe een verzoek feitelijk werkt
Ontwikkelaars sturen Clairic een status (de tekst die moet worden gelezen, plus maximaal vier optionele afbeeldingen) naast een kaart met getypte velden. Elk veld heeft een naam, een type en optionele instructies in duidelijke taal. Het model retourneert één getypt antwoord per veld, berekend in één parallelle doorgang. Als de veldenlijst niet in één keer naast de invoer past, splitst de server het werk in parallelle passen die elk de volledige invoer zien, en voegt vervolgens de antwoorden samen.
Voor schattingstaken komen de antwoorden als een verdeling: een mediaan met een interval van 80% dat zich uitstrekt van het 10e tot het 90e percentiel, waarbij alle 99 percentielen op aanvraag beschikbaar zijn. Dat maakt het model bruikbaar voor vragen in voorspellingsstijl – verwachte reparatiekosten, levertijden, verkeer de volgende dag – waarbij een enkele puntschatting de zekerheid van het model zou overdrijven.
Een signaal voor de infrastructuurmarkt
Of Clairic daar zelf in slaagt, doet er bijna niet toe. De lancering is een nieuw datapunt in een snel voortschrijdende verschuiving onder infrastructuuraanbieders naar het afstemmen van modellen op taken: kleine, snelle, goedkope modellen voor smal gestructureerd werk, waarbij grensoverschrijdende LLM's gereserveerd zijn voor werkelijk open redeneringen. De eigen positionering van Cloudflare – dat extractie-, beslissings- en taalmodellen samen moeten werken – leest als een blauwdruk voor hoe het denkt dat productie-AI-stacks zullen worden samengesteld.
Het bedrijf heeft nog geen datum aangekondigd voor de beloofde vrijgave van de open gewichten. Voorlopig is Clairic beschikbaar als preview op Workers AI, waar ontwikkelaars het kunnen testen met hun eigen extractieworkloads – en ontdekken hoeveel van hun LLM-factuur ooit echt nodig was.
_Dit artikel is gebaseerd op de officiële aankondiging van Cloudflare over de preview van het Clairic-extractiemodel._
---
Blijf Voorop met AIHet laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.
Lees meer AI-nieuws →
