Cloudflare 於二〇二六年十月十九日在官方網誌宣布，預覽發布名為 Clairic 的「System One」類提取模型，已托管於 Workers AI，模型標識寫在 Workers AI 目錄，並擬於稍後釋出開源權重。來源真實性已驗證：產品定位、介面型別、單次前向推論與示範數字均以 Cloudflare 官方專文為準。對企業而言，這代表把發票總額、交期、估價等結構化欄位從「叫大語言模型寫 JSON」改為「專用提取模型一次回傳帶置信度的型別值」，有機會同時壓低延遲與幻覺風險。

Cloudflare／官方：推出 Clairic 提取模型——System One 單次前向；Workers AI 預覽上線，擬開源權重

Cloudflare 研究與 Workers AI 團隊於二〇二六年十月十九日發文，介紹一類對齊「System One」（快、精準、單次處理）思路的新模型：提取模型（extraction models）。首款產品 Clairic 已可在 Workers AI 以 @cf/cloudflare/clairic 呼叫；官方表示打算很快公開開源權重，現階段托管端點屬早期檢查點（early checkpoint），預期仍會持續改進。

文章把產業脈絡接到約一個月前 TypeSafe 提出的 System One 決策模型（如 Jev、以及 Cloudflare 自身提到的 Clef）：決策模型在既定選項上輸出校準機率；Clairic 則回傳直接自輸入抽出、計算或推估的數值與型別欄位，而把開放式書寫留給傳統大語言模型（System Two）。官方強調：Clairic／Clef 只對輸入計費、單次前向、通常在一秒內回應，不像需要逐步產出 token 的推理型 LLM。

一、核心事件：從「叫 LLM 抽欄位」到專用提取模型

技術細節

按官方說明，一次請求包含：

• state：要閱讀的文字，另可附最多四張可選圖片；
• fields：一組命名欄位，各帶型別與可選自然語言指示。

支援的型別涵蓋文字 span（含字元偏移）、number、date／time／datetime、duration、list，以及 estimate（在你宣告的上下界與步進網格上的分佈，含中位數與八成區間）與 forecast（序列未來每一步的估測與區間）。每個純量答案附帶 p_null（值不在輸入中的機率）與 confidence；估測類另有 p10–p90 等分位。

官方示範以一封客戶支援電郵為例：訂單編號、送達日、實付金額（價錢加稅）、距送達日數、損壞清單等可在同一次前向中抽出或算出；電郵中不存在的追蹤號碼則回傳 null，而不是編造一個看起來合理的字串。另有收據影像示範，顯示在傾斜、文字不完美的照片上仍可抽出訂單號、時間、單價與小費等欄位，並正確把「沒有折扣」標成 null。

二、技術原理：System One 提取 vs System Two 生成

Cloudflare 用 Kahneman《Thinking, Fast and Slow》的框架對照：

設計目標是補上代理工作流中常見缺口：既不想手寫規則抽數，又不想讓昂貴 LLM 在雜訊文件上「邊想邊寫」而產生格式錯誤或幻覺。官方表述的串接是：提取模型產出型別值 → 決策模型做分類／動作選擇 → LLM 負責措辭與複雜推理。

在一篇保險理賠級聯示範中，Cloudflare 把「Clairic＋Clef＋較小 LLM」管線與「全程大 LLM」對照，並稱級聯完成時間約十九點三秒對六十一點七秒（約快三點二倍、少六成九時間），成本按「每百萬件理賠」口徑約六千零三十二美元對一萬一千七百四十美元（約低四成九）；其中 Clairic 與 Clef 合計提取與決策不到一秒，而對照用的 GLM-5.3 僅該兩步就花約三十八秒。上述數字屬官方示範場景，讀者應視為供應商自測，而非跨產業基準。

三、日常應用場景

1. 開發者與技術團隊

在 Cloudflare Worker 內以 env.AI.run("@cf/cloudflare/clairic", …) 或 REST API 呼叫，把發票、工單、電郵轉成已驗證型別的物件，再交給既有業務程式做加總或規則——官方亦提醒：多步相依算術與大表聚合目前仍弱，宜「模型估欄位、程式做長鏈計算」。

2. 企業與隱私敏感行業

金融對帳、物流時效、維修估價、客服升級等「欄位形狀重複」的工作，適合用提取模型壓低延遲與輸出幻覺；置信度與 p_null 可用於分流人工覆核。若數據主權要求高，仍須評估 Workers AI 托管邊界，以及稍後開源權重是否改為私有叢集部署。

3. 一般用戶

一般消費者未必直接呼叫 Clairic，但會間接感受到：客服機器人、保單査詢、電商退貨是否更快給出「對的數字」而非似是而非的段落。

4. 香港與亞洲市場視角

香港中小企與金融科技團隊大量使用 SaaS 與邊緣運算；若已在 Cloudflare 生態建站或 API 閘道，Workers AI 上的預覽端點降低了試用門檻。同時，本地合規與跨境數據傳輸仍要以實際部署區域與合約為準——「邊緣上有提取模型」不等于自動符合行業私有化要求。

四、專業評價與潛在考量

優勢

• 官方主線清楚：提取／計算／估測／預測四類輸出，並強制型別與 null，減少 JSON 解析失敗。
• 與決策模型、LLM 的分工敘事對代理架構有實務參考價值。
• 托管預覽即日可試，並預告開源權重，利於生態跟進。

需要留意的地方

• 現為 preview／early checkpoint；官方自承多步算術、陌生數據上的區間校準、以及長horizon 預測能力有限。
• 示範成本與延遲數字來自特定級聯劇本，不能直接外推到所有文件類型。
• 「不會像 LLM 那樣幻覺」指的是不生成自由文字；模型仍可能抽錯或估偏，必須用 confidence 做閘控。

結語

Clairic 把「從非結構化輸入拿到帶置信度的型別值」做成可在 Workers AI 預覽的 System One 提取模型，並明確把它放在決策模型與大語言模型之間的管線位置。對正在香港部署文件智能、客服自動化或私有領域模型的團隊而言，重點不是追一個新品牌名，而是重新檢查：哪些步驟其實只需要抽取與估測，卻仍在為完整推理 LLM 付延遲與幻覺成本。

若你需要在香港以數據不出境方式，把領域文件做成可抽欄位的私有模型與 API，可參考 YSK Limited 的企業私有 LLM 全託管（年費港幣八萬八千元起）：https://ysk.hk/services/ai-automation

參考來源

1. Cloudflare（官方）：Introducing Clairic, a new System One class of extraction models — https://blog.cloudflare.com/clairic-extraction-model/ （2026-10-19）