Cloudflare a annoncé la disponibilité en préversion d'un nouveau modèle d'extraction appartenant à la catégorie des modèles « System One » (Système 1), baptisé « Clairic ». Le nouveau modèle est actuellement accessible aux développeurs sur la plateforme « Workers AI » sous l'identifiant @cf/cloudflare/clairic, avec des plans pour rendre les poids ouverts au public prochainement. Le modèle se distingue par sa capacité à extraire, calculer, estimer et prédire des valeurs à partir de textes et d'images non structurés avec une précision supérieure, une vitesse accrue et un coût nettement inférieur à celui des grands modèles de langage (LLM) traditionnels.
Concept des modèles d'extraction de classe « System One »
Cloudflare s'est inspiré pour cette version du concept récemment introduit par la société « TypeSafe » pour les modèles « System One », inspirés du livre de Daniel Kahneman « Système 1 / Système 2 : Les deux vitesses de la pensée ». Ces modèles sont conçus pour fonctionner rapidement et avec précision, sans le processus de réflexion générative lent. Contrairement aux modèles de décision comme « Jev » et « Clef » qui choisissent parmi des options prédéfinies, le modèle Clairic traite l'extraction directe de valeurs, leur calcul ou leur prédiction avec une précision définie et sans générer de jetons textuels (Tokens), ce qui empêche les hallucinations textuelles.
Le modèle traite les requêtes en un seul passage parallèle, fournissant des réponses avec un type de données clair (telles que du texte, des nombres, des dates, des heures, des listes, des estimations probabilistes et des prédictions temporelles). Chaque réponse numérique ou textuelle est accompagnée d'un indice de confiance et d'une probabilité d'absence de données dans les entrées (p_null), permettant aux développeurs de vérifier les résultats de manière automatisée.
Qu'est-ce qui change concrètement pour les développeurs ?
Dans un flux de travail traditionnel, les applications s'appuient sur des grands modèles de langage pour extraire des données et les convertir au format JSON, un processus coûteux, lent et sujet aux erreurs de formatage et aux hallucinations. Le modèle Clairic propose des alternatives pratiques via les fonctionnalités suivantes :
Valeurs extraites et calculées : Le modèle ne se limite pas à copier des textes ; il peut effectuer des opérations arithmétiques simples au sein des entrées, comme l'ajout de taxes aux prix et le calcul d'intervalles de temps entre différentes dates.
Plages d'estimation : Si une valeur n'est pas explicitement disponible dans le texte, le modèle peut fournir une distribution probabiliste avec une médiane et un intervalle de confiance de 80 % basé sur des preuves contextuelles.
Prédiction de séries temporelles : Le modèle peut être utilisé pour prédire des valeurs futures basées sur des données historiques saisies, sans avoir besoin de déployer des modèles complexes dédiés aux séries temporelles.
Traitement multimodal : Le modèle prend en charge à la fois le texte et les images, permettant une extraction précise des données à partir de reçus papier ou de documents numérisés peu clairs.
Performance et coût dans le flux de travail intelligent
Cloudflare a mené une comparaison pratique entre un flux de travail basé sur une chaîne de modèles (Clairic pour l'extraction, puis Clef pour la prise de décision, et enfin un modèle de langage pour générer la réponse) et un flux de travail reposant entièrement sur un seul grand modèle de langage (GLM-5.3). Les résultats ont montré que la chaîne combinée a terminé le traitement en 19,3 secondes contre 61,7 secondes pour le modèle complet, avec un coût réduit à environ un tiers du coût total (6 032 $ contre 11 740 $ par million de requêtes).
Disponibilité et limites actuelles
Le modèle Clairic est actuellement disponible en tant que fonctionnalité de préversion via le point de terminaison Workers AI et peut être appelé en utilisant les fonctions Cloudflare Workers ou l'interface de programmation d'application (REST API). S'agissant d'une version initiale, l'entreprise souligne certaines limites actuelles : les calculs complexes en plusieurs étapes ne sont pas encore totalement précis, et les tâches de prédiction et de projection restent basiques et ne remplacent pas les modèles de séries temporelles spécialisés complexes. L'entreprise prévoit d'améliorer ces aspects et de rendre les poids du modèle ouverts à l'avenir.