A Cloudflare anunciou na terça-feira a prévia do Clairic, um modelo de extração que a empresa descreve como o primeiro de uma nova classe de modelos “System One” projetados para extrair valores estruturados de dados não estruturados sem qualquer geração token por token que define grandes modelos de linguagem. O modelo já está disponível em versão prévia na plataforma Workers AI da Cloudflare como @cf/cloudflare/clairic, e a empresa afirma que pretende divulgar os pesos do modelo abertamente em um futuro próximo.

O lançamento posiciona a Cloudflare diretamente dentro de um dos debates mais interessantes que agora estão remodelando o mercado de infraestrutura de IA: se cada tarefa atribuída a um LLM realmente precisa de um LLM. Para mais contexto sobre esta história, confira nossa notícias de IA.

O que Clairic faz — e o que deliberadamente não faz

Clairic foi desenvolvido para uma tarefa restrita, mas extremamente comum: ler entradas desordenadas e não estruturadas e retornar valores digitados. De acordo com o anúncio da Cloudflare, o modelo pode extrair, calcular, estimar e prever valores de entradas não estruturadas, retornando números com um intervalo de 80%, valores digitados como nomes, datas, horas e listas, e distribuições de probabilidade completas – cada um com confiança calibrada.

O que isso não faz é gerar texto. Uma consulta ao Clairic retorna um valor do tipo declarado pelo desenvolvedor ou um resultado nulo emparelhado com uma pontuação p_null que estima a probabilidade de a resposta simplesmente não estar presente na entrada. Cada resposta é fornecida com uma pontuação de confiança para que os sistemas posteriores possam decidir se confiam nela ou se sinalizam para revisão humana.

A Cloudflare é explícita sobre a compensação. Como Clairic não gera tokens, ele não pode produzir JSON malformado, interpretar mal um dígito no meio da geração ou alucinar uma resposta da mesma forma que um LLM pode. Ela ainda pode cometer erros – a empresa é cuidadosa nesse ponto – mas suas falhas são digitadas e mensuráveis, e não de formato livre.

O rótulo 'System One', explicado

A terminologia vem da startup de IA TypeSafe, que anunciou seus próprios modelos System One há cerca de um mês e rapidamente se tornou um dos lançamentos mais discutidos na comunidade de desenvolvedores. O enquadramento é inspirado no livro "Thinking, Fast and Slow" do psicólogo Daniel Kahneman: o pensamento do Sistema Um é rápido, automático e preciso, enquanto o pensamento do Sistema Dois é lento e deliberado. TypeSafe mapeou essa distinção em modelos de IA, argumentando que muitas cargas de trabalho de produção precisam de respostas rápidas e bem digitadas, em vez de raciocínio aberto.

O Jev da TypeSafe, um modelo de decisão desenvolvido especificamente para um domínio específico, tomou probabilidades como entradas e retornou probabilidades em uma lista fixa de respostas possíveis. Até agora, essa era toda a categoria: todo modelo do System One era um modelo de decisão.

Clairic amplia o conceito. Quando um modelo de decisão escolhe entre opções predefinidas, um modelo de extração responde com valores – números extraídos diretamente da entrada, calculados a partir dela ou previstos além dela. A Cloudflare diz que as duas famílias de modelos, juntamente com os LLMs convencionais, agora formam uma pilha de três camadas: os modelos de extração transformam a entrada bruta em valores digitados, os modelos de decisão transformam valores em decisões e os LLMs transformam as decisões em palavras.

Por que a extração está pronta para ser repensada

O argumento da Cloudflare baseia-se em quanto do tráfego atual do LLM é gasto em trabalhos que não se parecem em nada com conversas. A empresa chama a extração de “provavelmente o trabalho mais comum entregue aos LLMs hoje” – extrair o total da fatura, uma data de entrega ou um número de peça de um documento.

O problema, segundo Cloudflare, é que os LLMs realizam esse trabalho com máquinas construídas para outra coisa. A saída pode não ser JSON válida. Um dígito pode ser mal interpretado à medida que os tokens são gerados. Um trecho de texto retornado não pode ser rastreado até sua localização no documento de origem. As equipes respondem agrupando modelos em pipelines defensivos: validadores de esquema, lógica de repetição, análise de camadas e verificações pontuais. E como os LLMs cobram por tokens de raciocínio e de saída, cada campo de cada documento acarreta um custo de geração que aumenta com a verbosidade e não com a dificuldade da tarefa.

Um modelo de extração do System One inverte essa economia. A Cloudflare diz que Clairic processa a entrada com uma única passagem de encaminhamento, cobra apenas pelos tokens de entrada e normalmente responde em menos de um segundo – enquanto um LLM de raciocínio trabalhando nos mesmos campos pode levar vários segundos. Para processamento de documentos de alto volume, a diferença aumenta rapidamente.

Como uma solicitação realmente funciona

Os desenvolvedores enviam um estado para Clairic – o texto a ser lido, além de até quatro imagens opcionais – junto com um mapa de campos digitados. Cada campo carrega um nome, um tipo e instruções opcionais em linguagem simples. O modelo retorna uma resposta digitada por campo, calculada em uma única passagem paralela. Se a lista de campos não couber ao lado da entrada em uma passagem, o servidor divide o trabalho em passagens paralelas, cada uma vendo a entrada completa e, em seguida, mescla as respostas.

Para tarefas de estimativa, as respostas vêm como uma distribuição: uma mediana com um intervalo de 80% abrangendo os percentis 10 a 90, com todos os percentis 99 disponíveis mediante solicitação. Isso torna o modelo utilizável para questões de estilo de previsão – custos esperados de reparos, prazos de entrega, tráfego no dia seguinte – onde uma estimativa pontual exageraria a certeza do modelo.

Um sinal para o mercado de infraestrutura

Se Clairic terá sucesso é quase irrelevante. O lançamento é outro ponto de dados numa mudança rápida entre os fornecedores de infra-estruturas em direcção a modelos de dimensionamento correcto para tarefas: modelos pequenos, rápidos e baratos para trabalho estruturado restrito, com LLMs de fronteira reservados para raciocínios genuinamente abertos. O próprio posicionamento da Cloudflare – de que os modelos de extração, decisão e linguagem devem funcionar em uníssono – parece um modelo de como ela pensa que as pilhas de IA de produção serão montadas.

A empresa não anunciou uma data para o prometido lançamento dos pesos abertos. Por enquanto, Clairic está disponível em versão prévia no Workers AI, onde os desenvolvedores podem testá-lo em suas próprias cargas de trabalho de extração – e descobrir quanto de sua conta de LLM foi realmente necessário.

_Este artigo é baseado no anúncio oficial da Cloudflare sobre a prévia do modelo de extração Clairic._

---

Fique à Frente da IA

As últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.

Ler mais notícias de IA →