把一封投诉邮件变成结构化数据,今天最常见的做法是丢给 LLM 让它吐 JSON。Cloudflare 给出了另一种答案:10 月 19 日,它在 Workers AI 上线预览版模型 Clairic,这款模型从头到尾不生成一个 token,一次前向传播直接给出答案——而且答案是一个带类型的值,不是一段需要再解析的文字。
System One 谱系的第三块拼图
Clairic 的概念源头是 TypeSafe 一个月前提出的 System One 模型:借卡尼曼《思考,快与慢》的框架,让模型做「快而准」的那部分,把「慢推理」留给 LLM。Cloudflare 先前发布的决策模型 Clef 负责在给定选项里做选择,而 Clairic 开辟了新类别——抽取模型,官方称它是第一款 System One 抽取模型。它的定位很具体:发票总额是多少、哪天送达、维修费估多少,这些每天海量涌向大模型的结构化抽取调用,正是它要接管的活。
一次前向,字段全并行
调用方式是声明式的:传入 state(文本,最多附 4 张图),再声明一组带类型的 fields——text、number、date、duration、list、estimate、forecast。模型对每个字段返回一个该类型的值:文本给出字符偏移 span,数字遵循类型规则(金额两位小数),estimate 给出中位数和 80% 区间,forecast 逐期给出预测区间。每个答案附带 p_null(值不在输入中的概率)和置信度;找不到就返回 null,而不是编一个像样的猜测。上下文窗口 65,536 token,字段数量无上限,单遍放不下的字段按 8,192 token 上限拆成并行 passes 再合并。官方邮件示例里,649.00 美元货款加 52.10 美元税被同遍算出 701.10 美元,交付日到写信日的 11 天间隔也是从两个日期推出来的;邮件里不存在的追踪号则老实返回 null。
级联实测:3.2 倍速、省 49%
官方用一条商品破损理赔管线做对照:Clairic 抽值、Clef 决策、GLM-5.3 写回复,对阵 GLM-5.3 全包。级联版 19.3 秒完成,全 LLM 版 61.7 秒;每百万条理赔成本从 11,740 美元降到 6,032 美元。两个细节更有意思:GLM-5.3 每次跑出的维修费估算都在漂移(250、250、220 美元),Clairic 的估算是稳定的;而全 LLM 管线里 Gemma 4 和 Qwen 直接失败了——推不出维修费这类值。
预测能力也有真实数据背书:官方用 TSA 安检人数做了 21 天滚动预测,平均误差 3.3%,21 天里 17 天的实际值落在 80% 区间内,还从纯数字里学出了「周二周六淡、周四五日旺」的周期。
边界清晰,姿态克制
官方没有回避局限:多步算术还不行,长链条计算交给代码;估计需要输入里有证据;预测只是基础版,不能替代专用时序模型;校准是测出来的,不保证。定价每百万输入 token 0.10 美元,只收输入——因为它不吐输出 token。开放权重版本承诺「soon」。
我的看法:Clairic 代表的趋势比模型本身更重要——当一类调用形状足够稳定(字段固定、类型固定、量大),就值得从通用 LLM 里剥离出来做成专用单遍模型,把成本和延迟打到地板上。Jev、Clef、Clairic 接连出现,说明「非 LLM 的小模型」正在从概念变成产品线。对开发者,值得问的问题是:你今天发给大模型的调用里,有多少其实只是要一个数字?