Cloudflare выпустила Clairic: модель извлечения данных без токенов на выходе

Cloudflare выкатила в превью Clairic, первую модель нового класса System One extraction. Она доступна на Workers AI как @cf/cloudflare/clairic, а открытые веса обещаны в ближайшее время. Clairic достаёт из неструктурированного входа значения, считает их, оценивает и прогнозирует. Делает это за один параллельный проход, без рассуждений и без выходных токенов. Ответ обычно занимает меньше секунды, тогда как LLM, которая рассуждает над тем же шагом, тратит несколько секунд. Платят только за вход.

Третий тип модели в семействе System One

Концепцию System One (быстрая и точная модель в терминах Канемана, в противовес медленной System Two вроде LLM) месяцем ранее представила TypeSafe со своей моделью Jev. Jev и Clef относятся к моделям решений: им дают состояние и список вопросов, а они возвращают вероятности по заранее перечисленным вариантам. Cloudflare заметила дыру. Огромная доля вызовов к фронтирным LLM с структурированным выводом сводится к одним и тем же вопросам: какая сумма в счёте, когда доставили, на сколько дней опоздали, сколько будет стоить ремонт, какой будет трафик в ближайшие сутки. Список ответов на такие вопросы заранее не составишь, поэтому модель решений тут не подходит.

Разделение труда выглядит так. Clairic превращает сырой ввод в типизированные значения, Clef и Jev превращают значения в решения, а LLM превращает решения в слова. Выходное пространство Clairic непрерывное, но ограничено вашей схемой, и каждый ответ либо значение заявленного типа, либо null.

Как выглядит запрос и что возвращается

Запрос состоит из state (текст плюс до четырёх изображений) и карты типизированных полей. Для каждого поля задаются имя, тип и необязательная инструкция простым языком. Если поля не помещаются рядом со входом в один проход, сервер сам разобьёт их на параллельные проходы, в каждом из которых виден весь вход, и склеит ответы. Поэтому тридцать полей стоят примерно как три.

Поддерживаются типы:

• text: фрагмент входа со смещениями символов (span) • number: прочитанное или вычисленное число с учётом integer и decimals • date, time, datetime: календарные даты и валидное время в формате ISO • duration: длительность в выбранной единице • list: список текстов, чисел или дат в порядке появления во входе • estimate: распределение внутри ваших [min, max] на заданной сетке, линейной или логарифмической • forecast: по одной оценке на каждый будущий шаг ряда, у каждой свой 80%-интервал

Каждый скалярный ответ приходит с p_null (вероятность того, что значения во входе нет) и confidence. У оценок есть медиана и интервал p10–p90, а по запросу отдаются все 99 перцентилей.

На примере письма клиентки: заказ A-88412 доставлен 28 сентября, оплачено $649.00 плюс $52.10 налога, письмо написано 9 октября. Clairic сама складывает цену и налог и выдаёт 701.10, а количество дней с момента доставки считает как 11. Повреждения (cracked screen, dented corner) возвращаются как точные спаны, которые можно подсветить в исходнике. Трекинг-номера в письме нет, поэтому поле возвращает null с p_null = 1, а guess ($52.10) показывает, что модель выбрала бы без права на пустой ответ. Уверенность в нём всего 0,416.

Тот же механизм работает на фото чека под неудобным углом. Модель извлекла номер заказа 77245, время покупки 2026-07-01T13:34:00, две позиции по 7.99, подытог 15.98, чаевые 2.39 и нулевой налог. Скидку она честно вернула как null с p_null около 0,9994. Уверенность в номере заказа и времени ниже (0,78 и 0,83), чем в сумме (0,99999), и именно эту разницу предлагается использовать для маршрутизации на ручную проверку.

Где это меняет экономику пайплайнов

Типовой пайплайн извлечения на LLM обрастает слоями: парсинг, проверка схемы, ретраи, выборочный контроль. Платить приходится за рассуждения и выходные токены по каждому полю каждого документа. Ошибки при этом коварны. JSON может оказаться невалидным, цифра может исказиться при генерации, а к исходнику найденный фрагмент не привязан. У Clairic нет генерации, поэтому нет и мутировавших цифр. Ошибиться она может, но ошибка будет значением правильного типа с низким confidence или широким интервалом, а не сломанной строкой.

С оценками выгода ещё заметнее. LLM выдаёт одно число, и по нему не отличить уверенные $180 от неуверенных. Корзины в модели решений грубы, и каждая добавляет входные токены и путаницу. Узкий интервал у Clairic означает уверенность, широкий означает, что значение стоит отправить на вторую проверку.

Практически это выглядит так: разбор счетов, чеков и обращений в поддержку, оценка стоимости ремонта или цены по сопоставимым продажам, прогноз нагрузки на ближайшие 24 часа. Для всех этих задач порог автоматизации можно задать цифрой, например принимать значения с confidence выше 0,95, а остальное отправлять человеку или в LLM. Пока Clairic в превью, но открытые веса позволят проверить её на собственных документах и, возможно, держать у себя.