Cloudflare 的 Clairic 係一款預覽版 AI 抽取模型，目標唔係代你寫一段答案，而係由文字同圖片中，直接搵出日期、數字、清單等指定資料。Cloudflare 表示，呢種做法喺部分示範中更快、成本更低；不過，現有例子不足以證明 Clairic 一般而言都比大型語言模型（LLM）更準確或更有效率。3414

Clairic 點樣運作？

Clairic 係 Cloudflare 所稱的「System One」抽取模型，目前以預覽版形式透過 Workers AI 提供，模型識別碼係 @cf/cloudflare/clairic。Cloudflare 表示，佢可以由非結構化輸入中抽取、計算、估算同預測資料。收費為每百萬輸入詞元 0.10 美元；由於模型唔會生成輸出詞元，因此唔收輸出詞元費用。3718

使用者會提供一段文字（亦可附上最多四張圖片），再列出有名稱、指定答案類型的欄位。Clairic 會按要求一次過回傳相應欄位，而唔係逐個詞生成一段文字答案。1620

支援的欄位類型包括文字片段、數字、日期、時間、日期時間、時長、清單、估算同預測。文字片段可以附上字元位置；預測欄位則最多可預測未來 64 個步進。120

點樣表達答案有幾肯定？

每個單一數值答案都會附有信心分數，以及 p_null——即輸入資料不足以確定答案的機率。回應亦可能包含 value 同 guess；如果資料無法支持答案，value 可以回傳 null，而唔係將估計結果當成確定事實。2918

估算同預測欄位會提供中位數，以及由 p10 至 p90 的 80% 區間。呢啲係模型對不確定性的估計，唔係保證實際數值一定落喺區間之內。Cloudflare 建議根據信心分數、p_null 同區間資料，判斷哪些工作可以自動化，哪些應交由人手覆核。2

Cloudflare 的測試展示咗乜？

喺一個損壞商品理賠示範中，Clairic 先抽取索償資料，Cloudflare 的 Clef 模型再揀退款或維修等選項，最後由 GLM-5.3 撰寫面向客戶的回覆。測試報道指，Clairic 抽取資料需時 0.46 秒，Clef 作出選擇需時 0.22 秒。整條混合模型流程用了 19.3 秒；相比之下，每個步驟都使用 GLM-5.3 的版本則用了 61.7 秒。415

報道列出的成本是：混合流程每百萬宗索償 6,032 美元，GLM-5.3 單獨處理的版本則為 11,740 美元；在呢個示範中，成本減少 49%。呢組數字只適用於該工作流程，唔應直接當成其他應用都會有的預期節省。15

Cloudflare 亦用 Clairic 預測美國機場安檢旅客人數，連續測試 21 日的翌日預測。據報平均誤差為 3.3%，21 日中有 17 日的實際數字落喺模型提供的 80% 區間內。69 呢個只係一條數據序列上的小型示範，未能證明模型面對其他數據或情況時都有同樣的預測表現。

用之前要留意的限制

Cloudflare 形容 Clairic 的預測能力仍屬基本水平：短期預測會跟隨近期走勢；預測期拉長後，結果可能逐漸趨向平均值，亦未必預料到輸入數據未有反映的事件，例如假期。117

文件亦列明計算能力的界線。一至兩步的計算，例如求總數、計算差額、單位換算及日期運算，屬於較可靠的範圍；但多步驟、互相依賴的計算，以及跨多行表格加總，目前未算可靠。Cloudflare 建議用 Clairic 抽取所需數值，再用程式處理計算。117

目前支持效能優勢的，主要是針對特定工作的示範，未有廣泛比較基準證明 Clairic 在所有工作負載下都更準、更快或更平。因此，呢啲優勢應視為值得按自身用途測試的可能性，而唔係通用保證。41415

「System One」同 Jev 有咩關係？

Cloudflare 用「System One」形容 Clairic，將佢定位為一種快速、專門處理特定任務的模型，與需要生成文字答案的模型作區分。5 PPC Land 報道指，TypeSafe 早前曾提出 System One 概念，並推出名為 Jev 的模型。呢點只反映報道所述的先後背景；現有資料未能證明 Clairic 與 Jev 有直接技術承傳關係，亦未能證實 Clairic 名稱有特定的 Kahneman（卡尼曼）理論來源。13

Cloudflare 亦表示計劃開放模型權重，但目前提供的資料未列出發布日期。712

Cloudflare 的 Clairic 係一款預覽版 AI 抽取模型，目標唔係代你寫一段答案，而係由文字同圖片中，直接搵出日期、數字、清單等指定資料。Cloudflare 表示，呢種做法喺部分示範中更快、成本更低；不過，現有例子不足以證明 Clairic 一般而言都比大型語言模型（LLM）更準確或更有效率。3414

Clairic 點樣運作？

Clairic 係 Cloudflare 所稱的「System One」抽取模型，目前以預覽版形式透過 Workers AI 提供，模型識別碼係 @cf/cloudflare/clairic。Cloudflare 表示，佢可以由非結構化輸入中抽取、計算、估算同預測資料。收費為每百萬輸入詞元 0.10 美元；由於模型唔會生成輸出詞元，因此唔收輸出詞元費用。3718

使用者會提供一段文字（亦可附上最多四張圖片），再列出有名稱、指定答案類型的欄位。Clairic 會按要求一次過回傳相應欄位，而唔係逐個詞生成一段文字答案。1620

支援的欄位類型包括文字片段、數字、日期、時間、日期時間、時長、清單、估算同預測。文字片段可以附上字元位置；預測欄位則最多可預測未來 64 個步進。120

點樣表達答案有幾肯定？

每個單一數值答案都會附有信心分數，以及 p_null——即輸入資料不足以確定答案的機率。回應亦可能包含 value 同 guess；如果資料無法支持答案，value 可以回傳 null，而唔係將估計結果當成確定事實。2918

估算同預測欄位會提供中位數，以及由 p10 至 p90 的 80% 區間。呢啲係模型對不確定性的估計，唔係保證實際數值一定落喺區間之內。Cloudflare 建議根據信心分數、p_null 同區間資料，判斷哪些工作可以自動化，哪些應交由人手覆核。2

Cloudflare 的測試展示咗乜？

喺一個損壞商品理賠示範中，Clairic 先抽取索償資料，Cloudflare 的 Clef 模型再揀退款或維修等選項，最後由 GLM-5.3 撰寫面向客戶的回覆。測試報道指，Clairic 抽取資料需時 0.46 秒，Clef 作出選擇需時 0.22 秒。整條混合模型流程用了 19.3 秒；相比之下，每個步驟都使用 GLM-5.3 的版本則用了 61.7 秒。415

報道列出的成本是：混合流程每百萬宗索償 6,032 美元，GLM-5.3 單獨處理的版本則為 11,740 美元；在呢個示範中，成本減少 49%。呢組數字只適用於該工作流程，唔應直接當成其他應用都會有的預期節省。15

Cloudflare 亦用 Clairic 預測美國機場安檢旅客人數，連續測試 21 日的翌日預測。據報平均誤差為 3.3%，21 日中有 17 日的實際數字落喺模型提供的 80% 區間內。69 呢個只係一條數據序列上的小型示範，未能證明模型面對其他數據或情況時都有同樣的預測表現。

用之前要留意的限制

Cloudflare 形容 Clairic 的預測能力仍屬基本水平：短期預測會跟隨近期走勢；預測期拉長後，結果可能逐漸趨向平均值，亦未必預料到輸入數據未有反映的事件，例如假期。117

文件亦列明計算能力的界線。一至兩步的計算，例如求總數、計算差額、單位換算及日期運算，屬於較可靠的範圍；但多步驟、互相依賴的計算，以及跨多行表格加總，目前未算可靠。Cloudflare 建議用 Clairic 抽取所需數值，再用程式處理計算。117

目前支持效能優勢的，主要是針對特定工作的示範，未有廣泛比較基準證明 Clairic 在所有工作負載下都更準、更快或更平。因此，呢啲優勢應視為值得按自身用途測試的可能性，而唔係通用保證。41415

「System One」同 Jev 有咩關係？

Cloudflare 用「System One」形容 Clairic，將佢定位為一種快速、專門處理特定任務的模型，與需要生成文字答案的模型作區分。5 PPC Land 報道指，TypeSafe 早前曾提出 System One 概念，並推出名為 Jev 的模型。呢點只反映報道所述的先後背景；現有資料未能證明 Clairic 與 Jev 有直接技術承傳關係，亦未能證實 Clairic 名稱有特定的 Kahneman（卡尼曼）理論來源。13

Cloudflare 亦表示計劃開放模型權重，但目前提供的資料未列出發布日期。712