Cloudflare 于 2026-10-19 推出 Clairic 预览版，一款面向结构化信息提取的“System One”模型，通过 Workers AI 提供、返回类型化结果并附带置信度和位置。Clairic 专注于从文本和图像中提取数字、日期、列表和区间预测，适合嵌入自动化流程，但目前仍是托管预览、对长链计算与复杂表格存在局限，后续权重是否开放待定。
Cloudflare于2026年10月19日宣布推出Clairic，一款面向结构化信息提取的“System One”模型预览版。模型目前通过Workers AI提供，模型标识为@cf/cloudflare/clairic。它不以生成长篇文本为目标，而是从非结构化文本或图像中提取、计算、估计和预测用户指定的值，并以预先定义的类型返回结果。
Cloudflare表示，Clairic当前仍是早期检查点。公司计划未来开放模型权重，但截至发布时，Clairic仍是托管在Workers AI上的预览模型，不能表述为已经开源。
从“生成答案”转向“返回类型化数值”
传统大语言模型可以被要求从发票、邮件或维修记录中提取字段，但输出通常仍是生成式文本或JSON。开发者需要额外加入解析、格式校验、重试和人工抽查，才能确认模型没有读错数字或编造一个输入中不存在的字段。
Clairic采取了不同路径。开发者向模型提交一段待处理的文本，以及一个字段和类型组成的结构；模型在一次前向处理中，为各字段返回相应的类型化结果。支持的类型包括文本、数字、日期、时间、日期时间、时长、列表、估计值和预测值。
以一封客户支持邮件为例，模型可以同时返回订单号、交付日期、含税金额、距离交付的天数和损坏类型。文本字段可以附带原文中的字符区间，数字和日期遵循指定格式；如果输入无法确定某个字段，模型可以返回null，同时给出p_null，即输入实际上没有包含该值的概率。
对于估计值，Clairic会在开发者指定的范围和步长内返回中位数及80%的区间；对于时间序列预测，则为未来各个时间点给出估计值和区间。每个标量结果还包含置信度分数，供下游系统决定是自动处理，还是转交人工复核。
Cloudflare的官方介绍称，Clairic不生成输出token，只处理输入，并且通常在一秒内响应。官方文档显示，模型最多可以同时接收四张图像，与文本状态一起进行处理。这使它可以被用于发票、收据、交付日期、维修成本等场景，也可以处理带有视觉信息的文档。
Cloudflare官方博客：Introducing Clairic, a new System One class of extraction models
更适合固定流程，而不是替代通用大模型
Cloudflare把Clairic放在“System One”模型框架中，强调快速、单次处理和类型化输出。公司将其与另外两类模型区分开来：决策模型从预设选项中作出判断，大语言模型则负责开放式写作、推理和行动。
按照这一划分，Clairic负责把原始材料转换成结构化值，决策模型可以再依据这些值选择处理路径，最后由大语言模型生成面向用户的回复。Cloudflare给出的损坏商品理赔示例正是这种组合：Clairic先提取订单、金额、损坏情况和预计维修成本，Clef再依据退款政策选择退款或维修，最后由GLM-5.3生成客户回复。
在Cloudflare披露的内部对比中，这条“Clairic—Clef—GLM-5.3”流程端到端耗时19.3秒，而由GLM-5.3完成所有步骤的流程耗时61.7秒。Cloudflare据此称，级联流程快约3.2倍，成本低49%。官方还称，在这组测试中，两套流程都正确提取了事实并作出决策；不过这些数字来自Cloudflare自己的测试，并不是独立第三方基准结果。
这种架构的价值在于把最容易被格式错误和数字误读影响的环节，尽量限制在一个类型明确、可审计的模型输出中。它也可能减少大语言模型直接接触原始敏感文本的范围：在Cloudflare的示例中，负责生成回复的模型只读取已经提取和决策后的信息，而不是整封客户邮件。
AIFlux此前报道的Cloudflare发布Clef-omni开放权重决策模型也展示了类似的分工思路：让模型输出概率化、结构化的判断，而不是把所有工作交给一个通用聊天模型。
预览版的限制仍然明显
Cloudflare在发布说明中没有把Clairic描述成适用于所有推理任务的通用替代方案。公司承认，模型目前在阅读和一到两步计算方面表现较好，但较长的依赖链和跨多行表格的聚合仍然困难。Cloudflare建议，开发者可以让Clairic提取输入，再把复杂计算交给传统代码，而不是让模型独立完成长链条算术。
估计值同样依赖输入中是否存在足够证据。如果材料包含历史记录、可比较案例或具体描述，模型更容易给出有用的区间；如果要求它在没有依据的情况下预测一个具体数值，结果的实际意义会受到限制。
Cloudflare还提醒，置信区间是经过训练和测量的能力，而不是正确性的保证。在陌生数据上，区间可能过窄。预测功能也比较基础，较长时间范围的预测会趋向近期数据的平均模式，无法自动理解输入中没有体现的节假日或突发事件。因此，Clairic更适合非关键场景中的一般模式匹配，不应被直接当作经过专门训练的时间序列模型。
这意味着，结构化输出并不等于事实必然正确。一个结果可以拥有合法的类型、较高的置信度和完整的格式，但仍可能理解错文档内容。发票金额、维修费用、保险理赔或合规材料等场景，仍需要根据风险设置人工复核、阈值和回滚机制。
Cloudflare Workers AI变更日志：Introducing Clairic
价格低廉，但总成本取决于工作流
Cloudflare公布的Clairic价格为每百万输入token 0.10美元，不收取输出token费用。由于模型不生成文本token，定价方式与需要同时计算输入和输出的通用大语言模型不同。
不过，单看每百万token价格并不能决定实际成本。企业还需要计算图片输入、重试、人工复核、后续代码处理、数据存储以及Workers AI或其他基础设施费用。对于只需从大量文件中提取少量字段的流程，Clairic的类型化输出和并行字段处理可能更有吸引力；对于需要复杂推理、解释原因或编写长文本的任务，仍需搭配通用模型。
与此前专门处理文档的视觉模型相比，Clairic的重点也有所不同。AIFlux此前报道的LightOnOCR-3把OCR、版面理解与图表提取合并到一次调用更强调文档转录、页面区域和版面关系，而Clairic强调的是把输入直接转换成数字、日期、列表或带区间的预测值。两者都在减少“先识别、再由另一个模型解析”的复杂流程，但面向的下游任务并不完全相同。
“System One”能否成为新的模型层
Clairic的发布反映出，模型产品竞争正在从“谁能生成更长的回答”，扩展到“谁能以更低成本把现实材料转换成可靠的中间数据”。在企业自动化中，原始文件、客户邮件、表格和图像往往不是最终答案，而是后续决策和行动的输入。
如果抽取模型能够稳定提供带类型、位置和置信度的值，开发者就可以把它接入报销、客服、供应链、维修、检索和合规审核等流程，并把复杂推理和语言生成留给更适合的模型。这样的分层也有助于审计：系统可以追踪某个字段来自原文的哪一段，或者为什么某个字段被判定为缺失。
但Clairic仍处于预览阶段，开放权重也只是Cloudflare宣布的未来计划。它在陌生文档、长链条计算、复杂表格、长期预测和高风险决策中的表现，还需要更多独立测试。现阶段更准确的判断是，Cloudflare正在尝试把“结构化提取”从通用大语言模型的一项提示词技巧，变成一个独立的模型类别；这一方向是否能在真实生产系统中成立，取决于准确率、校准能力、可追溯性和人工复核成本能否同时达到要求。