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。
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
- 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。
- 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。
- 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。
- 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。
- 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
- 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.
- 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。