Cloudflare 的 Clairic 是一款仍处于预览阶段的模型，目标不是替你写回答，而是从文本和图片中提取日期、金额、数字或列表等结构化数据。它也支持估算和预测。Cloudflare 的演示显示，它在特定工作流中可能更快、成本更低；但这些案例还不足以证明 Clairic 对各类任务都比大型语言模型（LLM）更准确或更高效。3414

Clairic 如何工作？

Clairic 是 Cloudflare 所称的“System One”抽取模型，目前可在 Workers AI 预览版中使用，模型标识为 @cf/cloudflare/clairic。Cloudflare 表示，它可以从非结构化输入中提取、计算、估算和预测数值。价格为每百万输入词元 0.10 美元；由于它不生成输出词元，因此没有输出词元费用。3718

调用时，开发者提供一份输入内容（文本，可选最多四张图片），并列出需要返回的字段名称和类型。Clairic 会一次处理这些字段并返回对应值，而不是像常见文本生成模型那样逐词生成一段回答。1620

支持的字段类型包括文本片段、数字、日期、时间、日期时间、时长、列表、估算和预测。文本片段可以附带字符位置；预测字段最多可返回未来 64 个时间步的数值。120

模型如何表达不确定性？

标量结果会附带置信度，以及 p_null——也就是输入本身无法确定该答案的概率。响应中还可以包含 value 和 guess：如果输入没有提供足够信息，value 可以返回 null，而不是把猜测包装成确定事实。2918

估算和预测则会给出中位数，以及从 p10 到 p90 的 80% 区间。这是模型对不确定性的估计，并不保证实际值一定落在区间内。Cloudflare 建议结合置信度、p_null 和区间信息，判断哪些结果可以自动处理，哪些应交由人工复核。2

Cloudflare 的演示结果说明了什么？

在一项商品受损后的客服理赔演示中，Clairic 负责提取理赔信息，Cloudflare 的 Clef 模型从“退款”或“维修”等选项中作出选择，再由 GLM-5.3 生成面向客户的回复。相关报道给出的测试数据是：Clairic 提取步骤耗时 0.46 秒，Clef 决策步骤耗时 0.22 秒。整个混合模型流程用时 19.3 秒，而每一步都使用 GLM-5.3 的版本用时 61.7 秒。415

报告中的成本分别为：混合流程每处理 100 万件理赔花费 6,032 美元，GLM-5.3 单独处理的版本为 11,740 美元；在这个案例中，成本降低了 49%。这些数字只反映特定工作流，不应直接视为其他应用的预期节省幅度。15

Cloudflare 还用美国机场安检旅客人数进行了次日预测测试，连续测试 21 天。报告称，平均误差为 3.3%，21 天中有 17 天的实际人数落在模型给出的 80% 区间内。69 这是一组针对单一数据序列的小规模演示，并不能说明模型在不同数据和条件下都具备稳定的预测能力。

使用时要注意哪些局限？

Cloudflare 将 Clairic 当前的预测能力描述为基础水平：短期预测会沿着近期趋势延续，预测时间拉长后，结果可能逐渐趋近平均值；如果输入数据没有体现某些事件，模型也无法据此预判，例如节假日带来的变化。117

计算能力也有明确边界。Cloudflare 表示，一到两步的计算——例如求和、求差、单位换算和日期运算——目前较可靠；但较长的依赖计算链，以及跨许多表格行的汇总还不可靠。官方建议先用 Clairic 提取所需数据，再在代码中完成计算。117

目前关于性能的依据主要是针对具体任务的演示，而非覆盖广泛工作负载的对比基准。因此，速度、成本或准确率方面的优势应视为值得在自身任务中验证的可能性，而不是普遍保证。41415

“System One”标签与 Jev

Cloudflare 用“System One”来描述 Clairic 这类快速、专为特定任务设计的模型，并将其与需要生成推理文本的模型作对比。5 PPC Land 的报道提到，TypeSafe 此前曾提出 System One 这一概念，并推出名为 Jev 的模型。13 这说明相关概念和产品有报道中提及的先例，但现有资料不足以证明 Clairic 与 Jev 存在直接的技术传承，也无法证实 Clairic 的命名具体源自卡尼曼的理论。

Cloudflare 还表示计划开放模型权重，但现有来源没有提供发布时间。712

Cloudflare 的 Clairic 是一款仍处于预览阶段的模型，目标不是替你写回答，而是从文本和图片中提取日期、金额、数字或列表等结构化数据。它也支持估算和预测。Cloudflare 的演示显示，它在特定工作流中可能更快、成本更低；但这些案例还不足以证明 Clairic 对各类任务都比大型语言模型（LLM）更准确或更高效。3414

Clairic 如何工作？

Clairic 是 Cloudflare 所称的“System One”抽取模型，目前可在 Workers AI 预览版中使用，模型标识为 @cf/cloudflare/clairic。Cloudflare 表示，它可以从非结构化输入中提取、计算、估算和预测数值。价格为每百万输入词元 0.10 美元；由于它不生成输出词元，因此没有输出词元费用。3718

调用时，开发者提供一份输入内容（文本，可选最多四张图片），并列出需要返回的字段名称和类型。Clairic 会一次处理这些字段并返回对应值，而不是像常见文本生成模型那样逐词生成一段回答。1620

支持的字段类型包括文本片段、数字、日期、时间、日期时间、时长、列表、估算和预测。文本片段可以附带字符位置；预测字段最多可返回未来 64 个时间步的数值。120

模型如何表达不确定性？

标量结果会附带置信度，以及 p_null——也就是输入本身无法确定该答案的概率。响应中还可以包含 value 和 guess：如果输入没有提供足够信息，value 可以返回 null，而不是把猜测包装成确定事实。2918

估算和预测则会给出中位数，以及从 p10 到 p90 的 80% 区间。这是模型对不确定性的估计，并不保证实际值一定落在区间内。Cloudflare 建议结合置信度、p_null 和区间信息，判断哪些结果可以自动处理，哪些应交由人工复核。2

Cloudflare 的演示结果说明了什么？

在一项商品受损后的客服理赔演示中，Clairic 负责提取理赔信息，Cloudflare 的 Clef 模型从“退款”或“维修”等选项中作出选择，再由 GLM-5.3 生成面向客户的回复。相关报道给出的测试数据是：Clairic 提取步骤耗时 0.46 秒，Clef 决策步骤耗时 0.22 秒。整个混合模型流程用时 19.3 秒，而每一步都使用 GLM-5.3 的版本用时 61.7 秒。415

报告中的成本分别为：混合流程每处理 100 万件理赔花费 6,032 美元，GLM-5.3 单独处理的版本为 11,740 美元；在这个案例中，成本降低了 49%。这些数字只反映特定工作流，不应直接视为其他应用的预期节省幅度。15

Cloudflare 还用美国机场安检旅客人数进行了次日预测测试，连续测试 21 天。报告称，平均误差为 3.3%，21 天中有 17 天的实际人数落在模型给出的 80% 区间内。69 这是一组针对单一数据序列的小规模演示，并不能说明模型在不同数据和条件下都具备稳定的预测能力。

使用时要注意哪些局限？

Cloudflare 将 Clairic 当前的预测能力描述为基础水平：短期预测会沿着近期趋势延续，预测时间拉长后，结果可能逐渐趋近平均值；如果输入数据没有体现某些事件，模型也无法据此预判，例如节假日带来的变化。117

计算能力也有明确边界。Cloudflare 表示，一到两步的计算——例如求和、求差、单位换算和日期运算——目前较可靠；但较长的依赖计算链，以及跨许多表格行的汇总还不可靠。官方建议先用 Clairic 提取所需数据，再在代码中完成计算。117

目前关于性能的依据主要是针对具体任务的演示，而非覆盖广泛工作负载的对比基准。因此，速度、成本或准确率方面的优势应视为值得在自身任务中验证的可能性，而不是普遍保证。41415

“System One”标签与 Jev

Cloudflare 用“System One”来描述 Clairic 这类快速、专为特定任务设计的模型，并将其与需要生成推理文本的模型作对比。5 PPC Land 的报道提到，TypeSafe 此前曾提出 System One 这一概念，并推出名为 Jev 的模型。13 这说明相关概念和产品有报道中提及的先例，但现有资料不足以证明 Clairic 与 Jev 存在直接的技术传承，也无法证实 Clairic 的命名具体源自卡尼曼的理论。

Cloudflare 还表示计划开放模型权重，但现有来源没有提供发布时间。712