Clairic da Cloudflare: extração de dados estruturados em uma passada com 49% menos custo que LLMs

O que é o Clairic e sua posição no ecossistema de IA

A Cloudflare lançou a pré-visualização do Clairic, um modelo de extração classificado como 'System One'. Diferentemente dos grandes modelos de linguagem (LLMs), que geram texto token por token e requerem raciocínio deliberado, o Clairic foi projetado para responder em uma única passada com valores tipados extraídos, calculados ou estimados diretamente a partir da entrada.

O modelo se integra a uma arquitetura de três camadas proposta pela Cloudflare: os modelos de extração (como o Clairic) convertem a entrada bruta em valores tipados; os modelos de decisão (como o Clef) transformam esses valores em decisões; e os LLMs (como o GLM-5.3) redigem a resposta final. Essa separação permite que cada componente execute a tarefa para a qual foi otimizado, reduzindo a carga cognitiva e computacional dos modelos generalistas.

Arquitetura técnica: extração em uma única passada

A mecânica central do Clairic é a eliminação da geração de texto intermediário. O desenvolvedor envia um 'estado' (texto e imagens) e um esquema de campos tipados. O modelo processa essas informações em uma única passada de inferência e retorna um valor válido para cada campo, ou 'null' se o dado não estiver presente na entrada.

Cada resposta escalar inclui uma pontuação de confiança e 'p_null', a probabilidade de que o valor não esteja determinado pela entrada. Para os campos de texto, o modelo retorna os deslocamentos de caracteres (spans) que permitem rastrear o fragmento original no documento. Essa rastreabilidade é crucial para auditorias e correções, pois elimina a ambiguidade de saber de onde veio um dado extraído.

Análise de custos e desempenho em relação a LLMs

O preço do Clairic é de 0,10 USD por milhão de tokens de entrada, sem cobrança por tokens de saída. Essa estrutura de custos é significativamente mais baixa do que a dos LLMs, que cobram tanto pela entrada quanto pela saída gerada. No teste de referência da Cloudflare, um pipeline de reclamações de produtos danificados que combinava Clairic, Clef e GLM-5.3 custou 6.032 USD por milhão de reclamações, em comparação com 11.740 USD de um pipeline baseado exclusivamente no GLM-5.3.

Em termos de latência, a extração com o Clairic levou 0,46 segundos, enquanto o GLM-5.3 levou 16,1 segundos na mesma tarefa. O pipeline completo com o Clairic foi concluído em 19,3 segundos, 69% mais rápido do que os 61,7 segundos do fluxo baseado apenas em LLMs. É importante notar que a maior parte do tempo restante (18,6 segundos) foi dedicada à redação da resposta pelo LLM, não à extração.

Casos de uso ideais e limitações conhecidas

O Clairic é superior em tarefas de extração de dados estruturados de documentos semi-estruturados, como faturas, e-mails de suporte, formulários de reclamação e relatórios de incidentes. Sua capacidade de lidar com até quatro imagens por solicitação o torna útil para processar fotografias de recibos ou documentos digitalizados de baixa qualidade.

No entanto, a Cloudflare alerta que o modelo atual é um ponto de verificação inicial. Cadeias aritméticas de mais de duas etapas (como somar múltiplas linhas de uma tabela) não são confiáveis e recomenda-se realizar essas operações em código. Além disso, as estimativas requerem evidência na entrada (como preços comparáveis); sem ela, os intervalos de confiança podem ser amplamente demais. A previsão de séries temporais é básica e não substitui modelos especializados treinados em dados específicos.

Implicações para desenvolvedores e adoção

Para os desenvolvedores, o Clairic oferece um caminho para reduzir a complexidade dos pipelines de IA. Ao separar a extração da geração, eliminam-se os validadores de JSON e as tentativas repetidas que geralmente são necessárias ao usar um LLM para tarefas estruturadas. A integração é direta através do Workers AI via env.AI.run() ou da API REST.

A disponibilidade de pesos abertos está planejada para o futuro, o que permitirá que as organizações realizem fine-tuning ou executem o modelo localmente. Por enquanto, a adoção deve ser gradual, começando com tarefas de extração de baixo risco e monitorando de perto as pontuações de confiança. A questão em aberto é como o modelo se comportará com formatos de documentos não padrão ou em idiomas diferentes do inglês, um ponto crítico para a adoção em mercados como a América Latina.

Continue a explorar

Correções e transparência

Se encontrar informação incorreta ou desatualizada, envie-nos a página e a fonte que devemos rever.