Cloudflare 推出 Clairic 抽取模型：一次前向传播返回带区间的类型化数值，不再逐 token 生成
核心概要
Cloudflare 在 Workers AI 上预览发布 Clairic，把“系统一”模型从决策扩展到抽取：输入一段文本和一组带类型的字段，模型在一次并行前向传播中返回抽取、计算、估计或预测的数值，并附置信度与 80% 区间。此前同类结构化输出多交给前沿大模型逐 token 生成，需要解析、校验和重试。在一个客服理赔流程的对照中，Clairic 加决策模型 Clef 再加大模型的三段流水线端到端耗时 19.3 秒，全部交给 GLM-5.3 的版本为 61.7 秒。
深度剖析
结构化字段抽取有了专门的模型类别，不再依赖通用大模型逐 token 生成文本再解析。 此前这类请求反复发给前沿大模型，输出是字符串，需要多层解析、模式校验、重试和抽查，并且每个字段都要为推理和输出 token 付费。 在同一个客服理赔邮件、同一套政策与提示下，Clairic 抽取、Clef 决策、GLM-5.3 写回复的三段流水线端到端 19.3 秒，全部由 GLM-5.3 完成的版本为 61.7 秒，前者约快 3.2 倍。
请求由一段文本（可选最多四张图片）和一张字段表组成，每个字段声明类型和可选的自然语言说明，一次并行传播返回每个字段一个类型化答案。 字段数量不设上限，放不进一次传播时服务器拆成多个并行传播，每个都看到完整输入，再合并答案。 在示例客服邮件上，模型把未直接写出的金额由 649.00 美元与 52.10 美元税额相加得到 701.1，并由两个日期算出 11 天；不存在的运单号返回 null 而非编造值。
数值类答案不只给点值，还给出分布、中位数和 80% 区间，区间宽度反映输入对预测的信息量。 向大模型要估计通常只得到一个数，下游无法区分有把握的 180 与没把握的 180；决策模型只能靠粗粒度分桶近似。 在 TSA 每日安检人数的公开序列上连续 21 天预测次日人数，平均误差 3.3%，21 个实际值中有 17 个落在 80% 区间内，4 次落空中有 3 次在哥伦布日周末。
启示与展望
演示范围是 Workers AI 上的托管预览端点，输入为文本加最多四张可选图片，输出限定在声明类型与给定上下界之内；模型权重尚未开放，发布方表示计划后续开放。发布方建议把 Clairic 用于非关键的一般模式匹配，而不是替代针对特定数据训练的时间序列模型。
发布方称当前端点是早期检查点，多步算术和跨多行表格聚合仍不可靠，建议让模型预测数值而由代码做运算；区间经过校准训练，但在不熟悉的数据上可能偏窄；预测只适合短期一般模式，无法纳入序列未体现的节假日等事件。