Cloudflare เปิดตัว Clairic โมเดลสกัดข้อมูลความเร็วสูงบน Workers AI

Cloudflare เปิดตัวเวอร์ชันตัวอย่างของ Clairic ซึ่งเป็น System One extraction model รุ่นใหม่บน Workers AI โดยโมเดลนี้ถูกออกแบบมาเพื่ออ่านข้อความหรือรูปภาพแล้วส่งคืนค่าตามประเภทข้อมูล (Typed values) แทนการสร้างข้อความ (Generated text)

Clairic มุ่งเน้นไปที่งานที่นักพัฒนามักใช้ LLMs ทำ เช่น การดึงข้อมูลยอดรวม วันที่ หรือ ID เพื่อนำเข้าสู่รูปแบบ JSON โดยโมเดลจะตอบคำถามทุกฟิลด์ที่ร้องขอผ่านการประมวลผลเพียงรอบเดียว (1 forward pass) โดยไม่มีขั้นตอนการใช้เหตุผล (Reasoning) และไม่มีการคิดค่าบริการ output tokens

TL;DR

• ขนาด: ไม่มีการเปิดเผยจำนวนพารามิเตอร์ แต่มาพร้อม 65,536-token context window และรองรับรูปภาพสูงสุด 4 รูปต่อการร้องขอ
• การใช้งาน: รันบน GPU ของ Cloudflare ผ่าน Workers AI (@cf/cloudflare/clairic) ปัจจุบันยังไม่มีตัวเลือกแบบ local จนกว่าจะมีการปล่อย weights โมเดล
• ประสิทธิภาพ: จากผลทดสอบของ Cloudflare การสกัดข้อมูลใช้เวลาน้อยกว่า 1 วินาที แม้ปัจจุบันจะยังไม่มีการเผยแพร่เกณฑ์มาตรฐานความแม่นยำสากล
• จุดแข็ง: ในระบบประมวลผลคำร้องเรียนของ Cloudflare ขั้นตอนการสกัดข้อมูลใช้เวลาเพียง 0.46 วินาที เมื่อเทียบกับ 16.1 วินาทีของ GLM-5.3
• ข้อจำกัด: พบว่า 4 จาก 21 ของการคาดการณ์ล่วงหน้าจาก TSA ตกอยู่นอกช่วงความเชื่อมั่น 80% และการคำนวณทางคณิตศาสตร์หลายขั้นตอนยังไม่น่าเชื่อถือเพียงพอ

Clairic คืออะไร?

Clairic คือโมเดลเฉพาะทางจาก Cloudflare ที่ทำหน้าที่สกัด คำนวณ และคาดการณ์ค่าจากข้อมูลที่ไม่มีโครงสร้าง (Unstructured inputs) โดยสร้างขึ้นบนแนวคิด System One จาก TypeSafe’s Jev ซึ่งอ้างอิงระบบการคิดที่รวดเร็วและใช้สัญชาตญาณของ Daniel Kahneman

ในขณะที่โมเดลอย่าง Jev และ Clef ของ Cloudflare เป็น Decision models ที่ให้คะแนนตัวเลือกที่กำหนดไว้ล่วงหน้า แต่ Clairic สามารถดึงข้อมูลที่ระบุล่วงหน้าไม่ได้ เช่น ยอดรวมในใบแจ้งหนี้หรือวันที่

Cloudflare จัดโครงสร้างการทำงานเป็น 3 ส่วนหลัก ได้แก่ Extraction models สำหรับเปลี่ยนข้อมูลดิบเป็นค่าที่กำหนดประเภท, Decision models สำหรับการตัดสินใจจากค่านั้น และ LLMs สำหรับการแปลงผลลัพธ์การตัดสินใจออกมาเป็นคำพูด

การทำงานของ Clairic

การส่งคำสั่งประกอบด้วย state (ข้อความและรูปภาพ) และแผนผังของ fields ที่ระบุชื่อและประเภทข้อมูล โดยรองรับประเภทข้อมูลหลากหลาย เช่น text, number, date, time, duration, estimate และ forecast ตามข้อมูลใน Workers AI changelog

ทุกคำตอบจะรวมค่า p_null (ความน่าจะเป็นที่ค่านั้นไม่มีอยู่) พร้อมคะแนน confidence โดยข้อมูลประเภทข้อความจะส่งคืนตำแหน่งตัวอักษรที่แน่นอน (Character offsets) ส่วนการประมาณการจะส่งคืนค่ามัธยฐานและช่วงความเชื่อมั่น 80% (p10 ถึง p90) ครอบคลุมการคาดการณ์สูงสุด 64 ขั้นตอน

โมเดลไม่มีการจำกัดจำนวนฟิลด์ หากฟิลด์ใดไม่พอดีกับการประมวลผล 8,192-token pass ครั้งเดียว ระบบจะแยกการทำงานเป็นแบบขนาน ซึ่งแต่ละรอบจะมองเห็นข้อมูลนำเข้าทั้งหมด อย่างไรก็ตาม schema ที่มีความซับซ้อนมากอาจส่งผลให้มีราคาแพงกว่าตัวเอกสารเอง

ผลการทดสอบจาก Cloudflare

ในการทดสอบกับอีเมลสนับสนุน Clairic สามารถคำนวณยอดรวมที่รวมภาษีเป็น $701.10 และระบุได้ว่าผ่านมาแล้ว 11 วันนับจากการจัดส่ง แม้ตัวเลขเหล่านี้จะไม่ปรากฏในอีเมลโดยตรง ส่วนข้อมูลที่หายไปจะส่งคืนค่า null แทนที่จะเป็นการเดาสุ่ม

สำหรับการทดสอบคาดการณ์จำนวนผู้โดยสารที่จุดตรวจ TSA เป็นเวลา 21 วัน พบข้อผิดพลาดเฉลี่ย 3.3% โดยค่าจริง 17 จาก 21 รายการอยู่ในช่วงความเชื่อมั่น 80% ส่วนกรณีที่คลาดเคลื่อนส่วนใหญ่เกิดขึ้นในช่วงวันหยุดสุดสัปดาห์

การทดสอบที่สำคัญที่สุดคือระบบจัดการคำร้องเรียนสินค้าเสียหาย โดยใช้ Clairic สกัดข้อเท็จจริง และใช้ Clef ในการตัดสินใจ ผลปรากฏว่ากระบวนการทั้งหมดเสร็จสิ้นใน 19.3 วินาที เร็วกว่าการใช้ LLM อย่าง GLM-5.3 เพียงอย่างเดียวถึง 3.2 เท่า และช่วยลดต้นทุนต่อการเคลมหนึ่งล้านรายการลงถึง 49%

การเปรียบเทียบ Clairic กับโมเดลอื่น

การใช้งานและราคา

Clairic เปิดให้ใช้งานแล้วในสถานะ Preview ผ่าน Workers AI ด้วยชื่อโมเดล @cf/cloudflare/clairic โดยสามารถเรียกใช้ผ่าน env.AI.run() หรือ REST API และรองรับการทำงานร่วมกับ AI Gateway

ค่าบริการถูกตั้งไว้ที่ $0.10 ต่อหนึ่งล้าน input tokens และฟรีสำหรับ output tokens ซึ่งนับว่าเป็นราคาที่แข่งขันได้สูงเมื่อเทียบกับโมเดลในระดับเดียวกัน โดย Cloudflare มีแผนจะปล่อยโมเดลแบบ open weights ในอนาคต

ประเด็นสำคัญ

• Clairic เน้นส่งคืนค่าตามประเภทข้อมูลที่แม่นยำ ไม่ใช่การเจเนอเรตข้อความ
• คิดราคาเฉพาะ input tokens ในอัตรา $0.10 ต่อหนึ่งล้าน tokens
• ความเร็วในการสกัดข้อมูลสูงถึง 0.46 วินาที เร็วกว่า LLM ทั่วไปหลายเท่า
• ทุกคำตอบมาพร้อมค่าความเชื่อมั่นและตำแหน่งอ้างอิงในข้อมูลดิบ