Cloudflare tillkännagav på tisdagen förhandsvisningen av Clairic, en extraktionsmodell som företaget beskriver som den första i en ny klass av "System One"-modeller utformade för att dra strukturerade värden ur ostrukturerad data utan någon av token-by-token-genereringen som definierar stora språkmodeller. Modellen är tillgänglig nu i förhandsvisning på Cloudflares Workers AI-plattform som @cf/cloudflare/clairic, och företaget säger att de har för avsikt att släppa modellens vikter öppet inom en snar framtid.
Lanseringen placerar Cloudflare rakt in i en av de mer intressanta debatterna som nu omformar marknaden för AI-infrastruktur: om varje uppgift som tilldelas en LLM verkligen behöver en LLM. For more context on this story, see our ongoing breaking AI news.
Vad Clairic gör — och vad den medvetet inte gör
Clairic är byggd för ett snävt men oerhört vanligt jobb: att läsa rörig, ostrukturerad inmatning och returnera maskinskrivna värden. Enligt Cloudflares tillkännagivande kan modellen extrahera, beräkna, uppskatta och prognostisera värden från ostrukturerade indata, returnerande siffror med ett 80%-intervall, inskrivna värden som namn, datum, tider och listor och fullständiga sannolikhetsfördelningar - var och en med kalibrerad konfidens.
Vad den inte gör är att generera text. En fråga till Clairic returnerar antingen ett värde av den typ som utvecklaren deklarerade, eller ett nollresultat parat med en p_null-poäng som uppskattar sannolikheten för att svaret helt enkelt inte finns i inmatningen. Varje svar levereras med en konfidenspoäng så att nedströmssystem kan bestämma om de ska lita på det eller flagga det för mänsklig granskning.
Cloudflare är tydlig om avvägningen. Eftersom Clairic inte genererar några tokens, kan den inte producera felaktigt JSON, felläsa en siffra i mitten av generationen eller hallucinera ett svar på det sätt som en LLM kan. Det kan fortfarande göra misstag - företaget är försiktig på den punkten - men dess misslyckanden är maskinskrivna och mätbara snarare än fritt format.
"System One"-etiketten, förklaras
Terminologin kommer från AI-startupen TypeSafe, som tillkännagav sina egna System One-modeller för ungefär en månad sedan och snabbt blev en av de mest diskuterade lanseringarna i utvecklargemenskapen. Inramningen lånar från psykologen Daniel Kahnemans bok "Thinking, Fast and Slow": System ett-tänkande är snabbt, automatiskt och precist, medan system två-tänkande är långsamt och medvetet. TypeSafe kartlade den distinktionen på AI-modeller och hävdade att många produktionsbelastningar behöver snabba, välskrivna svar snarare än öppna resonemang.
TypeSafes Jev, en beslutsmodell specialbyggd för en specifik domän, tog sannolikheter som indata och returnerade sannolikheter över en fast lista med möjliga svar. Fram till nu var det hela kategorin: varje System One-modell var en beslutsmodell.
Clairic utökar konceptet. När en beslutsmodell väljer bland fördefinierade alternativ, svarar en extraktionsmodell med värden - siffror som hämtas direkt från indata, beräknas från den eller prognostiseras bortom den. Cloudflare säger att de två modellfamiljerna, tillsammans med konventionella LLM:er, nu bildar en tre-lagers stack: extraktionsmodeller omvandlar rå input till maskinskrivna värden, beslutsmodeller förvandlar värden till beslut och LLM:er omvandlar beslut till ord.
Varför extraktion är mogen för att tänka om
Cloudflares argument vilar på hur mycket av dagens LLM-trafik som spenderas på arbete som inte ser ut som konversation. Företaget kallar utvinning "förmodligen det vanligaste jobbet som lämnas till LLMs idag" - att dra en fakturasumma, ett leveransdatum eller ett artikelnummer ur ett dokument.
Problemet, enligt Cloudflare, är att LLM:er hanterar det jobbet med maskiner som är byggda för något annat. Utdata kanske inte är giltig JSON. En siffra kan läsas fel när tokens genereras. Ett returnerat textutdrag kan inte spåras tillbaka till sin plats i källdokumentet. Lag svarar genom att slå in modeller i defensiva pipelines: schemavaliderare, logik för att försöka igen, analysera lager och stickprovskontroller. Och eftersom LLM fakturerar för resonemang och utmatningstokens, har varje fält i varje dokument en generationskostnad som skalas med omfattning snarare än med uppgiftens svårighetsgrad.
En System One-extraktionsmodell inverterar den ekonomin. Cloudflare säger att Clairic bearbetar indata med en enda framåtpassning, debiterar endast för inmatningstokens och svarar vanligtvis på under en sekund – medan en resonerande LLM som arbetar genom samma fält kan ta flera sekunder. För dokumentbehandling med stora volymer förvärras skillnaden snabbt.
Hur en förfrågan faktiskt fungerar
Utvecklare skickar Clairic en status – texten som ska läsas, plus upp till fyra valfria bilder – tillsammans med en karta med inskrivna fält. Varje fält har ett namn, en typ och valfria instruktioner på vanligt språk. Modellen returnerar ett inskrivet svar per fält, beräknat i ett enda parallellpass. Om fältlistan inte får plats bredvid inmatningen i en omgång, delar servern upp arbetet i parallella omgångar som var och en ser den fullständiga inmatningen och slår sedan samman svaren.
För uppskattningsuppgifter kommer svaren som en fördelning: en median med ett intervall på 80 % som spänner över 10:e till 90:e percentilen, med alla 99 percentiler tillgängliga på begäran. Det gör modellen användbar för frågor i prognosstil – förväntade reparationskostnader, leveranstidlinjer, trafik under nästa dag – där en uppskattning av en enda punkt skulle överskatta modellens säkerhet.
En signal för infrastrukturmarknaden
Huruvida Clairic själv lyckas är nästan okej. Lanseringen är ytterligare en datapunkt i ett snabbt föränderligt skifte bland infrastrukturleverantörer mot modeller med rätt storlek till uppgifter: små, snabba, billiga modeller för snävt strukturerat arbete, med gränsöverskridande LLM:er reserverade för genuint öppna resonemang. Cloudflares egen positionering – att extraktion, beslut och språkmodeller ska fungera unisont – läser som en ritning för hur de tror att produktions-AI-stackar kommer att sättas ihop.
Företaget har inte tillkännagivit något datum för den utlovade öppna vikter. För tillfället är Clairic tillgänglig i förhandsvisning på Workers AI, där utvecklare kan testa det mot sina egna extraktionsbelastningar - och ta reda på hur mycket av deras LLM-räkning som någonsin verkligen var nödvändig.
_Den här artikeln är baserad på Cloudflares officiella tillkännagivande av Clairic-extraktionsmodellens förhandsvisning._
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
