推出 Clairic：一类全新的系统一提取模型
内容提要
Cloudflare 在 Workers AI 上推出预览版“系统一提取模型”Clairic，单次前向计算即可从非结构化文本或图片中提取、计算、估算和预测数值，输出带类型、置信度和区间的结果，速度快、成本低且不易幻觉。它可解析客服邮件和收据，并预测 TSA 客流；与决策模型 Clef 及大模型串联时，比全部使用大模型快约 3.2 倍、成本低 49%。Cloudflare 计划开源其权重。
延伸解读
系统一提取模型与决策模型的区别
Clairic 属于新提出的“系统一提取模型”，与已有的决策模型（如 Jev、Clef）不同。决策模型从固定选项中选择并给出概率，而 Clairic 直接返回从输入中提取、计算或预测的带类型数值，如数字、日期、列表和分布。两者都只需单次前向计算，速度快、成本低，但输出空间不同：提取模型输出连续但受类型和边界约束的值，决策模型输出有限选项。这种分工让它们能串联使用，先提取事实再决策。
置信度与空值处理的实际意义
Clairic 为每个标量答案提供 p_null（值不在输入中的概率）和置信度，估计值还附带中位数和 80% 区间。这意味着下游系统可以根据置信度决定是否自动处理或转人工复核。例如，在收据解析中，缺失的折扣字段返回 null 而非编造数值，降低了幻觉风险。但文章也提醒，架构保证输出格式正确，不保证内容正确，因此仍需利用这些指标评估是否信任结果。
与 LLM 串联的性能优势与局限
文章展示了一个客服理赔流程：Clairic 提取邮件中的订单号、金额、损坏描述和维修估价，Clef 根据政策决定退款或维修，最后 LLM 生成回复。相比全部使用 LLM，该串联方案端到端速度快约 3.2 倍，成本低 49%，且 Clairic 的估价每次一致，而 LLM 的估价会波动。不过，Clairic 在多步算术和长序列预测上仍有局限，文章建议让 Clairic 预测值，复杂计算交给代码，并谨慎用于非关键场景。
Q&A
Clairic 是什么模型？它和传统大模型有什么不同？
Clairic 是 Cloudflare 在 Workers AI 上推出的预览版“系统一提取模型”，单次前向计算即可从非结构化文本或图片中提取、计算、估算和预测数值，输出带类型、置信度和区间的结果。它不生成 token，因此速度快、成本低且不易产生幻觉，而传统大模型需要逐 token 生成并可能产生幻觉。
Clairic 支持哪些输出类型？
Clairic 支持多种输出类型：text（带偏移量的文本片段）、number（整数或小数）、date/time/datetime（ISO 格式）、duration（指定单位的时间长度）、list（按输入顺序的匹配项）、estimate（在指定范围内按步长网格的分布）、forecast（未来每一步的估计值）。每个标量答案附带 p_null 和置信度，estimate 和 forecast 还提供中位数和 80% 区间。
Clairic 如何处理图片输入？能举个例子吗？
Clairic 支持最多四张可选图片作为输入的一部分。例如，对于一张角度不佳、文字不完美的收据照片，Clairic 成功提取了订单号、购买时间、数量、单价、小计、销售税、小费等数值，并附带置信度；对于收据上未显示的折扣，它正确返回 null。
Clairic 的估算功能是如何工作的？
对于输入中未直接给出但有证据支持的值，Clairic 返回一个在你指定范围内的分布，包括点值、中位数、80% 区间（p10 到 p90），以及可选的 99 百分位。区间宽度反映数据置信度：窄区间表示高确定性，宽区间表示低确定性，可用于决定是否进一步检查。例如，根据可比销售数据估算房屋售价，返回中位数 415,000 美元，80% 区间 370,000–470,000 美元。
Clairic 在预测时间序列方面表现如何？
Clairic 的预测功能适合非关键的一般模式匹配，而非替代专业时间序列模型。在 TSA 每日客流量预测的 21 天测试中，平均误差 3.3%，21 天中有 17 天的实际值落在其 80% 区间内，并能捕捉周内规律（周二、周六较安静，周四、周五、周日较繁忙）。但无法考虑系列中未显示的事件（如假日）。
Clairic 与 Clef 及大模型如何配合使用？能提升多少效率？
Clairic 提取类型化值，Clef 基于这些值做决策，大模型则生成自然语言回复。在损坏商品索赔的示例中，Clairic→Clef→GLM-5.3 的级联流程比全部使用 GLM-5.3 快约 3.2 倍（19.3 秒 vs 61.7 秒），成本低 49%（每百万次索赔 6,032 美元 vs 11,740 美元）。Clairic 和 Clef 合计处理提取和决策不到 1 秒，而 GLM-5.3 需 38 秒。
Clairic 目前有哪些局限性？
Clairic 的局限性包括：多步算术和跨多行表格聚合能力较弱，建议让 Clairic 预测值而由代码做数学运算；估算需要输入中有可比数据、历史或描述性文本作为证据；区间校准在陌生数据上可能偏窄；预测功能基础，不适合长周期详细预测；所有答案格式正确但不一定正确，需利用置信度、p_null 和区间决定自动化或人工复核。
