Por Canuto  

Cloudflare presentó Clairic, un modelo de extracción que procesa textos e imágenes para devolver valores tipificados sin generar tokens de salida. En una prueba de reclamaciones, la empresa reportó menos tiempo y costo que con un flujo basado en LLM, aunque reconoció límites en cálculos complejos y pronósticos.
***

  • Clairic extrae valores, fechas y listas, y también puede calcular, estimar y pronosticar a partir de entradas no estructuradas.
  • En la comparación divulgada por Cloudflare, el flujo con Clairic y Clef tardó 19,3 segundos y costó 49% menos que la versión con GLM-5.3 en cada paso.
  • La compañía advierte que la vista previa puede equivocarse, especialmente en aritmética encadenada, estimaciones sin evidencia y pronósticos afectados por eventos no incluidos en los datos.

Cloudflare presenta Clairic, un modelo que extrae datos sin generar tokens de salida

Cloudflare anunció una vista previa de Clairic, un modelo diseñado para extraer, calcular, estimar y pronosticar valores a partir de textos e imágenes desordenados. La empresa lo ofrece en Workers AI bajo el identificador @cf/cloudflare/clairic y planea publicar sus pesos abiertos más adelante, aunque no indicó una fecha concreta.

La propuesta apunta a tareas que muchas empresas ya asignan a modelos de lenguaje grandes, como leer una factura o un correo y convertir sus datos en campos estructurados. Cloudflare sostiene que Clairic puede resolver algunas de esas solicitudes con menor latencia y costo, pero subraya que el modelo aún está en una etapa temprana y puede cometer errores.

Una alternativa para extraer datos estructurados

Los LLM suelen recibir instrucciones para devolver datos en formatos como JSON, pero una respuesta puede incluir una estructura inválida, interpretar mal un dígito o extraer un dato sin indicar en qué parte del documento aparece. Para controlar esos riesgos, los equipos agregan validadores, reintentos y revisiones, una cadena de trabajo que también suma tiempo y consumo de tokens.

Clairic propone un mecanismo distinto: recibe un texto, hasta cuatro imágenes opcionales y una lista de campos, cada uno con un tipo definido por el desarrollador. Puede devolver texto, números, fechas, horas, duraciones y listas, además de estimaciones y pronósticos; las respuestas llegan como valores de esos tipos o como nulos cuando el modelo considera que el dato no está en la entrada.

En los campos escalares, la respuesta incluye una puntuación de confianza y p_null, una estimación de la probabilidad de que el valor falte. Para texto copiado del documento, el modelo también ofrece los desplazamientos de caracteres que permiten ubicar el fragmento original; las estimaciones, por su parte, pueden incluir una mediana y un intervalo del 80%.

Cloudflare presenta a Clairic como un modelo System One, una categoría que describe sistemas rápidos que responden en una sola pasada, frente a los modelos System Two, como los LLM, que generan texto y pueden razonar mediante múltiples pasos. Dentro de ese esquema, Clairic extrae valores y Clef selecciona opciones de una lista; los LLM quedarían para redactar o realizar tareas de razonamiento abierto.

La comparación de velocidad y costos

Cloudflare ilustró el uso de Clairic con un correo de una persona que reporta una pantalla rota y una esquina abollada en un pedido. El mensaje indicaba un precio de USD $649,00 y USD $52,10 de impuestos, pero no el total; el modelo sumó ambos importes y devolvió USD $701,10, además de calcular que habían transcurrido 11 días desde la entrega.

En el mismo ejemplo, Clairic identificó dos daños como elementos separados y devolvió nulo al buscar un número de seguimiento inexistente. Su campo de conjetura señaló el impuesto como una posible respuesta, pero la probabilidad de que el dato estuviera ausente fue 1 y la confianza de esa conjetura, 0,42. El caso ilustra por qué la empresa recomienda considerar los indicadores de confianza, en lugar de usar a ciegas cualquier valor sugerido.

La comparación de rendimiento presentada por Cloudflare combinó Clairic para extraer información, Clef para decidir entre alternativas y GLM-5.3 para redactar una respuesta al cliente. Según la empresa, ese flujo tardó 19,3 segundos de extremo a extremo, frente a 61,7 segundos cuando GLM-5.3 se ocupó de cada paso, una reducción de 69% en el tiempo total.

En esa prueba, la extracción con Clairic tomó 0,46 segundos y la decisión con Clef, 0,22 segundos; GLM-5.3 demoró 16,1 y 21,9 segundos, respectivamente, para las mismas tareas. Cloudflare calculó un costo de USD $6.032 por millón de reclamaciones para el flujo combinado, frente a USD $11.740 para el proceso basado solo en GLM-5.3, es decir, 49% menos.

Ambas versiones obtuvieron los hechos y la decisión correctos en cada ejecución de la prueba reportada por Cloudflare, mientras la estimación del costo de reparación de Clairic se mantuvo constante. GLM-5.3 produjo estimaciones distintas en tres ejecuciones, de USD $250, USD $250 y USD $220; la compañía también indicó que Gemma 4 y Qwen no lograron deducir ese costo en sus pruebas con flujos completamente basados en LLM.

Pronósticos y límites de la vista previa

Cloudflare también probó Clairic con una serie pública de recuentos diarios de personas examinadas por la Administración de Seguridad del Transporte en aeropuertos de Estados Unidos. Durante 21 días seguidos, pidió al modelo un pronóstico para el día siguiente; la empresa reportó un error promedio de 3,3% y señaló que 17 de los 21 valores reales quedaron dentro del intervalo del 80%.

El resultado no significa que el modelo pueda anticipar cualquier cambio externo que afecte la serie. Cloudflare observó que tres de los cuatro valores fuera del intervalo coincidieron con el fin de semana de Columbus Day, cuando más personas viajaron de lo que sugerían los datos anteriores; el modelo reconoció patrones históricos, pero no contaba con información sobre ese feriado.

La compañía califica el lanzamiento como un punto de control temprano y reconoce que las operaciones de uno o dos pasos, como sumar importes o calcular diferencias entre fechas, parecen más fiables que las cadenas aritméticas largas. También aconseja que el código realice las matemáticas cuando un cálculo dependa de varios pasos o de sumar muchas filas de una tabla.

Las estimaciones, según Cloudflare, necesitan evidencia en la entrada, como precios comparables, historial o descripciones pertinentes; sin ese respaldo, el resultado puede carecer de suficiente especificidad. Los intervalos se entrenaron para estar calibrados y, de acuerdo con la empresa, lo estuvieron en la mayoría de sus conjuntos de prueba reservados, aunque podrían estrecharse de forma engañosa ante datos desconocidos.

La empresa tampoco plantea el pronóstico de Clairic como reemplazo de modelos de series temporales entrenados para datos específicos. Lo presenta como una opción para reconocer patrones generales, no para proyecciones detalladas de largo plazo o decisiones críticas; su recomendación es utilizar la confianza, p_null y los intervalos para decidir qué automatizar y qué derivar a revisión.

Help Net Security también destacó que una respuesta bien formada no garantiza que sea correcta, una advertencia coherente con las propias limitaciones que Cloudflare describió para la vista previa. El modelo evita algunos errores propios de la generación de texto, como producir una salida con un tipo inesperado, pero aún puede seleccionar un dato equivocado, calcular mal o estimar con demasiada seguridad.

El endpoint ya puede probarse desde Workers AI mediante env.AI.run() o a través de la API REST, mientras la publicación de los pesos abiertos sigue siendo un plan futuro de la compañía. Por ahora, Clairic se presenta como una herramienta especializada para convertir entradas desordenadas en campos estructurados, con posibles ventajas de costo y velocidad que los desarrolladores deberán contrastar con sus propios datos y mecanismos de revisión.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados