Clairic di Cloudflare estrae importi e date dal testo senza generare token

Una email di reclamo dice che l’ordine A-88412 è arrivato il 28 settembre 2026 con lo schermo rotto, che il cliente ha pagato 649,00 dollari più 52,10 di tasse e che scrive il 9 ottobre. Da quel testo Clairic ricava l’ID dell’ordine, la data di consegna, un totale pagato di 701,10 dollari e 11 giorni trascorsi dalla consegna. È l’esempio con cui Cloudflare nel suo blog presenta in anteprima il modello, ospitato su Workers AI come @cf/cloudflare/clairic.

Per chi sviluppa significa chiamare il modello da un Worker, passando un testo e l’elenco dei campi da compilare. Cloudflare dice di voler rilasciare i pesi aperti «presto», senza indicare una data.

Dall’email al dato tipizzato: cosa restituisce Clairic

Nell’esempio del reclamo l’importo totale non è scritto da nessuna parte: Clairic somma prezzo e tasse nella stessa passata. Anche i giorni dalla consegna sono calcolati da due date presenti nel testo. I danni tornano come elenco, «cracked screen» e «dented corner», ciascuno con la posizione esatta nel testo.

Il numero di tracking nella mail non c’è: il modello restituisce null, con probabilità di assenza (p_null) pari a 1. L’ipotesi scartata, «$52.10», porta una confidenza di 0,416. Secondo Cloudflare è voluto: niente valore plausibile ma inventato.

Il modello accetta anche immagini, fino a quattro per richiesta. Su una foto di scontrino storta e poco leggibile ha estratto numero d’ordine 77245 (confidenza 0,78), data e ora 2026-07-01T13:34, quantità 2, prezzo unitario 7,99, subtotale 15,98, tasse 0 e mancia 2,39 (confidenza 0,93). Lo sconto, assente dallo scontrino, è tornato null.

Una passata sola, nessun token in uscita

Cloudflare colloca Clairic tra i modelli «System One»: rispondono in un’unica passata parallela, senza ragionare e senza generare token. Si paga quindi solo l’input, e la risposta arriva di norma, scrive l’azienda, in meno di un secondo; un LLM che ragiona impiega diversi secondi. Sempre secondo Cloudflare, accuratezza, latenza e costo sono migliori di quelli degli LLM tradizionali.

Una richiesta contiene uno «stato» (il testo da leggere, più le immagini facoltative) e una mappa di campi. Ogni campo ha un nome, un tipo e, se serve, istruzioni in linguaggio naturale; per ciascuno si ottiene una risposta tipizzata.

• Non c’è un limite al numero di campi: se non entrano insieme all’input in una passata, il server li divide in passate parallele, ognuna con l’intero input, e poi unisce le risposte. Secondo Cloudflare, chiederne trenta costa all’incirca come chiederne tre.
• Il testo estratto torna con gli offset dei caratteri, per risalire al punto della sorgente.
• Poiché non genera token, il modello non può produrre una risposta di tipo sbagliato né «allucinare» alla maniera di un LLM, precisa Cloudflare, pur potendo sbagliare. L’output è un valore del tipo richiesto oppure null.

I tipi di campo disponibili

Tipo	Cosa restituisce
text	Una porzione dell’input, con gli offset
number	Un numero letto o calcolato, con opzioni per interi e decimali
date, time, datetime	Date e orari validi, in formato ISO
duration	Una durata nell’unità scelta
list	Testi, numeri o date nell’ordine in cui compaiono nell’input
estimate	Una distribuzione dentro l’intervallo [min, max] dichiarato, su una griglia (step), in scala lineare o logaritmica
forecast	Una stima per ogni passo futuro di una serie, fino a 64 passi

Ogni risposta scalare include p_null e un punteggio di confidenza. Ogni stima porta mediana e intervallo all’80% (da p10 a p90); con l’opzione options.include_quantiles si ottengono anche tutti i 99 percentili.

Stime e previsioni: gli esempi e i limiti dichiarati

Per la stima Cloudflare dà a Clairic cinque vendite comparabili di case e chiede il prezzo di un immobile, con valori ammessi tra 50.000 e 5.000.000 dollari. Ne escono 418.000 dollari, mediana 415.000, intervallo 370.000–470.000. Secondo l’azienda, l’ampiezza dell’intervallo dice quanto l’input informi la previsione e può servire a decidere quando far partire un controllo.

Per la previsione ha usato i dati pubblici della TSA sui passeggeri controllati ogni giorno negli aeroporti statunitensi. Per il 14 ottobre 2026 il modello ha dato una mediana di 2.419.283 (intervallo 2.270.774–2.556.769); il dato reale è stato 2.419.474. Su 21 giorni consecutivi di previsioni a un giorno l’errore medio è stato del 3,3% e 17 valori reali su 21 sono caduti nell’intervallo all’80%. Tre dei quattro giorni fuori intervallo cadono nel fine settimana del Columbus Day: Clairic segue i pattern della serie e non tiene conto di eventi che la serie non mostra, come le festività.

Il changelog di Cloudflare per sviluppatori, datato 19 ottobre, elenca i limiti dell’anteprima, definita un primo checkpoint che l’azienda si aspetta di migliorare:

• Aritmetica: calcoli a uno o due passaggi (totali, differenze, conversioni, date) sono affidabili; catene lunghe di passaggi dipendenti e aggregazioni su molte righe di tabella non ancora. Cloudflare suggerisce di estrarre gli input con Clairic e fare i conti nel codice.
• Stime: funzionano meglio quando l’input contiene indizi, come comparabili, storico o testo descrittivo; senza, l’intervallo è ampio.
• Previsioni: sono di base. Quelle a un passo seguono i pattern recenti, quelle a più passi si appiattiscono verso la media, e il modello non sostituisce uno specifico per serie storiche addestrato sui propri dati.
• Calibrazione: gli intervalli sono addestrati per essere calibrati e lo sono sulla maggior parte dei set di prova, ma su dati poco familiari possono risultare stretti.
• Correttezza: ogni risposta è ben formata, non necessariamente giusta; confidenza, p_null e intervalli servono a decidere cosa automatizzare e cosa mandare in revisione.
• Date: quelle senza anno vengono risolte dal contesto; se un campo dipende dalla data corrente, va impostato reference_date oppure aggiunta una riga come «Today: 2026-10-19» allo stato.

Dove si colloca rispetto a Clef e agli LLM

Finora i modelli System One di Cloudflare erano di decisione; Clairic è il primo della classe dell’estrazione. Secondo Cloudflare si occupa dei numeri (con intervallo all’80%) e dei valori tipizzati come nomi, date e liste; Clef sceglie fra opzioni e dà una probabilità per ciascuna; gli LLM restano per il testo libero. I tre possono lavorare in catena.

Di Clef avevamo parlato in Cloudflare rilascia Clef e Clef-flash. Come spiega un altro post del blog di Cloudflare, Clef è ospitato su Workers AI, ha un’API compatibile con Jev e i suoi pesi sono su Hugging Face con licenza Apache 2.0.

Prezzo, accesso e come provarlo

Il changelog indica 0,10 dollari per milione di token in input e nessun costo per i token in output, perché il modello non ne genera. Un prezzo in euro, la disponibilità specifica per l’Italia e il supporto della lingua italiana non sono indicati nelle fonti.

• Il modello è in anteprima su Workers AI con l’ID @cf/cloudflare/clairic.
• Si usa tramite il binding env.AI.run() da un Worker oppure con l’API REST su /ai/run; è possibile passare anche da AI Gateway.
• I pesi aperti sono annunciati come in arrivo, senza data.
• Cloudflare ha pubblicato una demo live dell’esempio del reclamo, che combina Clairic, Clef e un LLM.

Leggi anche

• GPT 6 Luna: come passare dall’API di GPT-4o prima del 14 gennaio