技术发布2026年11月22日Редакция 105.kz

Cloudflare 开放 Clairic 与 Clairic-flash 权重:从 PDF 与扫描件中抽取数据

Cloudflare 公开了 Clairic 与 Clairic-flash 的开放权重——用于从图像和 PDF 中抽取结构化字段的模型。我们分析这对哈萨克斯坦企业技术护照、记录单与作业许可的数字化意味着什么,以及试点前需要核实哪些事项。

石油天然气电力能源铀矿与采矿工业制造企业私有化大模型预测性维护

Cloudflare 开放 Clairic 与 Clairic-flash 权重:从 PDF 与扫描件中抽取数据

要点。 Cloudflare 公开了 Clairic(27 млрд 参数)与 Clairic-flash(9 млрд)模型的权重,二者用于从图像和 PDF 中抽取结构化字段。对哈萨克斯坦企业而言,这是一个可能适合在封闭内网部署的组件,用于技术护照、记录单和作业许可的数字化。需要自行核实:来源中未描述俄语和哈萨克语支持、工业文档表现以及许可条件。

发生了什么

2026 年 11 月 18 日,Cloudflare 发布消息,公布两个开放权重模型版本:更新后的 Clairic 和新的 Clairic-flash。按公司描述,Clairic-flash 是 Clairic 更轻更快的版本,紧凑实现,9 млрд 参数;更新后的 Clairic 是 27 млрд 参数模型。两者均专用于从非结构化来源抽取数据:完整权重已发布在 Hugging Face,云端端点可在 Workers AI 以 @cf/cloudflare/clairic 和 @cf/cloudflare/clairic-flash 访问。据该团队自述,其现名为 Workers AI superintelligence team,负责 Clef、Clairic 及后续模型。

相对预览版的主要变化是新的架构和对 PDF 的处理。公司称,模型不仅读取图像,也读取 PDF 页面(单次请求最多四张图像或四个页面),表格行按行返回,并保留「说明——数量——价格」的对应关系。对文本和数值字段,不再使用单次直接前向,而是并行的槽位自回归生成:每个字段在各自的停止标记处停止,所有字段在同一批次中同时推进。模型新增了独立头,用于计算、估算、预测、时长、可计算日期和显式算术。类型化程序接口保留:每个回答都包含置信度估计、原文中的字符偏移和概率。宣称延迟低于一秒;在公布的测量中,文本字段的 p50/p95 为 Clairic 358/736 毫秒、Clairic-flash 155/328 毫秒。价格为 Clairic 每百万输入 token 0.24 美元、Clairic-flash 0.10 美元,仅按输入 token 计费;2026 年 12 月 1 日之前两个模型均为 0.10 美元。

这对哈萨克斯坦企业意味着什么

这类模型所覆盖的任务类型在生产中广为人知:把扫描件或 PDF 变成结构化字段。对油气行业来说,是泵机组和压缩机组的技术护照、缺陷检查记录、巡检单、作业许可、实验室分析报告——这些数据目前仍需手工录入维护与维修系统(ТОиР)。模型不替代 SCADA,也不读取遥测数据:它处理文档,结果随后加载到 ТОиР 系统或操作员数字顾问中。「历史故障事件——原因——修了什么」的关联可通过记录单和日志复原,而这恰恰是预测性维护通常缺失的那一层数据(见 /industry/solutions/predictive-maintenance)。

在电力行业,相关的是变压器试验报告、倒闸操作票、馈线(фидер)和 ПСВ 的报告。在铀矿与矿业冶金,是试运行日志、测量记录、磨机和输送机的维修文档。在工厂,是发票、运单、批次证书、入厂检验记录。

环境的三个约束比模型的能力更重要。第一:来源中未提及俄语和哈萨克语——在自有语料上的质量必须测量,而不是假设。第二:开放权重在技术上允许将模型部署在封闭内网,这符合国家公司的信息安全要求和个人数据本地化的逻辑,但来源中未描述许可条款,这一点须在试点前核实。第三:遗留的过程自动化系统(АСУ ТП)不直接提供数据——与 ТОиР、ERP 和电子档案的交换通常通过导出和中间层进行(评估)。

如何落地:8–12 周试点

  1. 文档审计。选择 3–5 种文档类型和 300–500 份样本(评估),其中手工录入已经可以用小时计量。确定字段清单和基准标注。
  2. 在启动前定义验收指标。不是「模型能工作」,而是免修改通过的字段比例、单份文档耗时和处理成本。阈值与流程负责人商定。
  3. 在封闭内网用自己的语料测试模型:俄语和哈萨克语文本、低质量扫描件、表格、日期。同时设置置信度阈值,并为低于阈值的字段建立人工复核队列。
  4. 嵌入流程。抽取的字段进入 ТОиР 或档案,有争议的进入人工复核;作业许可(наряд-допуск)和财务文档不得无人工审核通过。
  5. 相对基线测量效果:录入小时数、错误比例、某期间报表准备时长,对比前后。

在企业内网中,这类组件在 /industry/solutions/private-llm 方向的框架内考虑——作为系统的一部分,而不是独立解决方案。

限制与风险

目前不存在数据抽取的公开基准测试,公司对此直言不讳:所有数字均为内部测量,而与 D1.2(结合 OCR)和 ScaleDown 的 Extract 的对比结果,公司自己也称为方向性参考。来源中没有工业案例:列举的是票据、支持请求、租赁合同、信贷定价、流量预测、费用审计。关于硬件要求、开放权重许可、非英语语言上的质量以及在劣质扫描件上的表现,均未说明。

接下来是客户的责任范围。置信度估计和字段概率不是保证:对金额、日期和编号需要阈值和抽样复核。模型抽取的是写下的内容,不校验工艺过程的物理逻辑。最后,数据抽取是组件而非系统:没有与 ТОиР、设备主数据和验收规程的集成,就不会有可测量的效果。

来源

  1. An updated Clairic and Clairic-flash are now open-weight, from the new Workers AI Superintelligence team - Cloudflare Blog · 2026-11-18T22:05:20.000Z
    Both extraction models are hosted on Workers AI and full open weights are available on Hugging Face.
  2. Фото: Luc Viatour — Solar eclipse 1999 4.jpg (CC BY-SA 3.0, Wikimedia Commons)

本文借助人工智能根据上方所列来源撰写。如发现不准确之处,请发送邮件至 info@105.kz。

常见问题

常见问题

对我们最常被问到的问题的简短直接回答。

能否在企业封闭内网中部署 Clairic?

开放权重已发布在 Hugging Face,技术上允许本地部署。但来源中未描述许可条款和硬件要求——这些必须在试点开始前核实。

这类模型会取代 ТОиР 系统吗?

不会。模型从文档中抽取字段,而台账、规程和作业许可仍留在 ТОиР。没有集成和验收规则,就不会有可测量的效果。

公布的指标可信到什么程度?

这些是公司的内部测量;数据抽取没有公开基准测试,而与其他模型的比较,公司自己称为方向性参考。必须在自己文档语料上验证。

模型是否支持俄语和哈萨克语文本?

来源中未提及语言,俄语和哈萨克语上的质量未作声明。这是试点中首先要验证的参数。

下一步

洽谈试点项目

告诉我们您的需求——我们将在两个工作日内反馈数据审计方案和效益评估。

  1. 130 分钟通话:任务、现有系统、由谁做决定
  2. 2梳理数据与流程,给出带周期与成本区间的分阶段计划
  3. 32–4 周原型,或成功标准预先约定的 8–12 周试点

首次接触即签署保密协议(NDA)

一个工作日内回复