Cloudflare 发布 Clairic：不生成文本、只给带类型值的「提取模型」

Cloudflare 于 2026-10-19 公布 Clairic，这是它提出的 System One 模型家族里的第一个「提取模型」。它不逐字生成文本，而是走单次并行前向传播，直接给出带类型的值：从输入里摘出来的原文片段、算出来的数字与日期、有证据支撑的估计分布、以及对时间序列的预测。每个答案都附带置信度与「这个值不在输入里」的概率。目前以预览形式托管在 Workers AI 上，官方表示打算稍后发布开放权重。

这次发布的是什么

Cloudflare 在 2026-10-19 发布了 Clairic，官方博客页面标注的日期是 October 19, 2026，RSS 记录的时间是 2026-10-19T17:48:26Z。它不是又一次「把一个大语言模型塞进 Workers AI」，而是一个新类别的第一个成员。

要理解这个新类别，得先说 Cloudflare 对模型的分层。它把模型分成两类：System Two 是大家熟悉的那些大语言模型，逐词生成、会推理、能写作；System One 则是「快而精确」的一类，走单次并行前向传播。在此之前，Cloudflare 的 System One 家族里全是决策模型——给它一份状态和一组问题，它返回针对这些问题的概率，代表是 Jev 和 Clef。

Clairic 是第一个提取模型。官方的定义是：它同样快、同样有类型、同样便宜，但回答的是直接从输入里摘出的值、由输入算出的值，或者超出输入所预测的值。一句话概括三者的分工：提取模型把原始输入变成带类型的值，决策模型把值变成决策，大语言模型把决策变成文字。

落到接口上，一次 Clairic 请求由两部分组成。第一部分是 state，也就是要读取的文本，外加最多四张可选图片。第二部分是具类型的字段映射：你给每个字段起名字、声明类型，还可以附一段自然语言说明。所有字段在同一次并行传播里一起返回，没有推理过程，也不产生输出词元。

可用性与限制

• 形态：预览版（preview），托管在 Cloudflare Workers AI 上，官方给出的模型标识是 @cf/cloudflare/clairic。从 Worker 里用运行环境提供的调用方式即可，也可以通过 REST 接口从别处调用。
• 权重：官方在文中表示打算稍后以开放权重形式发布，但当下尚未发布，页面也没有说明届时的许可证类型。不要把「计划开源」当成「已经开源」。
• 检查点状态：官方明确说当前端点是一个早期检查点，预期还会变好。把它用在生产链路之前，先按自己的数据评估一次。
• 计费口径：官方说明它只对输入计费、不收输出词元费用，原因是单次前向传播不产生输出序列；同一份输入的字段多寡对成本影响很小。具体费率以官方定价页为准，本文不写金额。
• 计费之外的成本差异（例如与全大语言模型方案的对比数字）属于官方自测口径，本站不转述。
• 输入边界：一次请求的输入是文本加上最多四张图片；字段数量本身没有上限，若一次传播放不下，服务端会拆成多个各看到完整输入的并行传播再合并答案。
• 能力边界（官方自己列了五条，逐条照录）：

1. 阅读能力强，但多步算术还不行。一两步的计算（求和、求差、换算、日期运算）看起来可靠，更长的依赖链对单次传播的模型是困难的，跨表格多行的聚合同理——目前建议让模型给出预测值、把计算交给代码。
2. 估计需要证据。它最擅长从可比项、历史数据或描述性文字里估值；问一个输入里毫无证据支撑的值，给出的结果在精度上会受限。
3. 校准是被测出来的，不是被保证的。区间是按校准目标训练的，在多数留出集上成立，但在不熟悉的数据上可能偏窄。
4. 预测是基础级别。它不用来替代在特定数据上训练过的时序模型，适合非关键的通用模式匹配，不适合细粒度的长周期预测。
5. 必须用置信度。架构保证的是每个答案格式合法，不等于答案正确；要用置信度、空值概率和区间来决定哪些可以自动化、哪些要转人工复核。

主要功能

• 提取值：从输入中原样摘出的文本片段，返回时带字符偏移与置信度
• 计算值：数字、日期、时间、日期时间、时长与列表，从输入读出或由输入算出，遵循各自的类型规则
• 估计值：输入没明说但有证据支撑的值，以声明边界内、指定步长网格上的分布返回，带中位数与区间
• 预测值：时间序列的未来值，每个未来步长给一个估计，各自带一个区间
• 每个标量答案都附带空值概率与置信度
• 估计类答案可返回中位数与区间端点，也可以要求返回更细的百分位划分
• 字段类型覆盖文本、数字、日期、时间、日期时间、时长、列表、估计、预测
• 字段数量无上限，超出单次容量的字段由服务端自动拆分并行处理再合并
• 图片输入：一次最多四张可选图片，与文本共同构成输入状态
• 输出形态：答案要么是所声明类型的一个值，要么是空值，不会给出格式不合法的内容

技术原理

可以先从「它为什么不生成文本」说起。大语言模型生成文本的过程是逐词进行的：每产出一个词，都要把前面所有的词再读一遍，于是耗时随输出长度增长，而且输出是一段自由文本， downstream 还得解析、校验、重试。Clairic 走的是另一条路：一次并行前向传播把所有字段一起算出来。这带来三个直接后果——耗时与输出长度基本无关，官方称通常不到一秒；输出天然是声明过的类型，不需要解析；以及因为它不「编故事」，也就不会以大语言模型那种方式产生格式错误或拼错类型的值。

第二个值得说的是估计值为什么是分布而不是一个数。当你问一个输入里没有明写的量，任何单点答案都隐含了「我对这个数有多确定」这个问题。Clairic 的做法是让你先声明边界与步长（线性或对数刻度），然后在这个网格上返回一个分布，附带中位数与区间。区间宽度本身就是模型对不确定性的表达：数据充分时区间收窄，证据不足时区间变宽。这一设计把「点估计 + 事后猜误差」换成了「直接给分布」，使用方因此可以拿区间做分流——区间宽到影响决策的，就转人工。

第三个是空值概率与「猜一下」的分离。官方示例里有一个字段在输入中并不存在，模型返回的是空值，同时给出「这个值不在输入里」的概率接近于一；有意思的是它还附带了一个猜测值，用来展示「如果你非要它猜，它会猜什么」。这个设计很实用：空值概率回答「该不该填」，猜测值回答「如果必须填，填什么」，两者分开就不再互相污染。

第四个是字段拆分的并行策略。字段多到一次传播放不下时，服务端不是截断，而是拆成多组并行传播，每组都看到完整输入，最后合并。这保证「字段多了会变慢一点」但不会「字段多了后面的就看不到上下文」。

最后是这套模型在流程里的位置。官方给的例子是一条三段式流水线：先由提取模型把非结构化的理赔邮件变成一组带类型的值，再由决策模型在这些值上做判断，最后由大语言模型把判断写成一封回信。这条链路的要点在于，前两段拿到的都是可直接参与后续计算的结构，而不是需要再次解析的文本。

实际体验

这篇不提供第一人称实测，只给出读者可以自己复现的验证步骤。

第一步，先确认入口。在 Workers AI 上按官方给出的模型标识发起一次最小请求：一段短文本，配两三个不同类型的字段（比如一个文本、一个数字、一个日期）。先观察返回结构里每个答案是否都带上了置信度与空值概率，这一步通了再往下走。

第二步，专门验一次「输入里没有的字段」。挑一个你确定原文中不存在的字段名去问，看它是否返回空值、并把空值概率给到接近一。如果你拿到的是一个看起来很像的值而空值概率却很低，说明你的字段说明写得过于诱导，需要把说明改中性再试一次。

第三步，验计算值。给一段文本里分散出现的两个日期，让模型算间隔天数；再给一组价格与税率，让它算含税总额。这两类属于官方说的「一两步计算」，应当可靠。然后再故意给一个需要四五步依赖才能得出的量，观察结果是否开始不稳定——这一步能帮你划出自己业务里哪些计算该交给代码。

第四步，验估计与区间。挑一个输入里有可比证据的量，声明合理的上下界与步长，看返回的分布中位数是否落在你凭经验判断的范围内、区间宽度是否合理。再挑一个输入里完全没有证据的量，重复一次，对比两个区间宽度：后者应该明显更宽。如果两者宽度接近，说明你的字段说明没有传达出「有无证据」的差别。

第五步，验图片输入。用一张票据或截图配几个字段，核对返回的置信度是否明显低于纯文本场景。官方给出的示例里，图片场景的置信度确实低于文本场景，这是预期行为，不是故障。

第六步，把置信度接进你的流程。挑一个阈值，把低于阈值的答案路由到人工复核，跑一段时间后再回头看阈值定得是否合适。官方反复强调的一点就在这里：架构保证格式合法，正确性要用置信度与区间自己把关。

项目地址与获取方式

官方发布公告：https://blog.cloudflare.com/clairic-extraction-model/

模型文档页：https://developers.cloudflare.com/workers-ai/models/clairic/

提取模型说明页：https://developers.cloudflare.com/workers-ai/concepts/extraction-models/

请通过这些官方页面获取最新的模型标识、调用示例与费率说明；预览接口在正式化之前可能调整，落地前以官方页面当期内容为准。

适合谁用

• 需要从表单、票据、合同、邮件等非结构化文本里稳定取字段、并且要求「取不到就说取不到」的团队
• 已经在大语言模型上做信息抽取、被解析失败与重试成本困扰的工程人员
• 需要的不只是一个数、而是「这个数有多不确定」的估价、预估、预测类场景
• 已经在用 Cloudflare 决策模型、想把「取值 → 判断 → 成文」串成一条流水线的人
• 不必用的情况：需要多步推导、长链计算或跨表聚合的任务——官方自己建议这类交给代码，不要指望单次传播的模型

常见问题

它和普通大语言模型做抽取有什么本质区别？

输出形态不同。大语言模型给你一段文本，你要自己解析、校验、失败重试；Clairic 直接给你声明过类型的值，取不到就给空值，并且每个值都带置信度。代价是它不会推理：长链计算、跨行聚合这类事它做不了，需要交给代码。

它现在能自己部署吗？

还不能。官方说当前是托管在 Workers AI 上的预览端点，并且表示打算稍后发布开放权重，但截至发布时权重尚未放出，许可证也未说明。想要自部署的话，以官方后续公告为准。

为什么估计值返回的是区间而不是一个数？

因为当你问一个输入里没有明写的量时，「这个数是多少」和「这个数有多确定」是两个问题。返回分布（中位数加区间）把不确定性直接摆在结果里，使用方可以据此分流：区间够窄的自动放行，过宽的转人工。

免费吗？计费怎么算？

官方说明它只对输入计费、不收输出词元费用，因为单次传播不产生输出序列，并且字段多寡对成本影响很小。具体费率以官方定价页为准，本文不写金额。预览期的具体权益也请回到官方页面确认。

字段很多会不会出错？

官方明确说字段数量没有上限：一次传播放不下时，服务端会拆成多个各看到完整输入的并行传播，再合并答案。所以字段多主要影响耗时，不会导致后面的字段看不到上下文。

它给出的答案一定对吗？

不一定。官方的表述是：架构保证每个答案格式合法，不保证答案正确。这也是它为什么同时返回置信度与空值概率——要拿这些指标决定哪些能自动化、哪些需要人工复核。

相关工具与内容

• 工具页：Claude、Cursor、Dify
• 分类：其他AI工具、AI智能体、AI编程
• 同题材快讯：Cloudflare Clef 决策模型、Cloudflare Clef Omni 多模态
• 延伸阅读：Typesafe Jev 1.14 发布、智能体编排怎么选