Cloudflareは2026年10月19日、文章や画像などの非構造化データから値を抽出するAIモデル「Clairic」のプレビュー提供を発表した。入力中の情報を使って計算するほか、類似事例をもとに値を推定したり、過去の推移から将来の値を予測したりできる。文章をトークンごとに生成する大規模言語モデル（LLM）とは異なり、数値や日付など、指定した型に従う値を直接返す。同社のAI実行サービスWorkers AIで利用でき、モデルの重みも今後公開する予定としている。

• Introducing Clairic, a new System One class of extraction models - Cloudflare Blog

値を返すClairicと⁠、選択肢から選ぶClef

Clairicも、同社の判断モデルClefも、結果をJSON形式の構造化データで返す。ただし、利用者が指定する内容と、返ってくる答えの中身は異なる。

Clairicには、読み取る文章や画像と、「⁠支払総額を数値で」「⁠配達日を日付で」といった項目の指定を渡す。すると、項目ごとに入力から取り出した値や計算した値が返り、数値や日付などの結果には信頼度も付く。たとえば、商品代金と税額が書かれたメールを渡せば、支払総額を計算して数値で受け取れる。答えとなる金額の候補を事前に用意する必要はない。

一方、Clefには、判断材料となる文章やデータに加えて、質問と回答の選択肢を渡す。たとえば、商品の破損状況や対応方針とともに「返金する」「⁠修理する」という選択肢を指定すると、選ばれた対応と各選択肢の確率が返る。

両者は、LLMのように推論過程や回答文をトークンごとに生成せず、1回のモデル処理で結果を返す。Cloudflareは両者を「System One」モデルに位置付ける。

文章や画像から値を抽出し⁠、計算にも対応

Clairicで抽出・計算する項目の型には、テキスト、数値、日付、時刻、日時、期間、リストがある。各項目には自然言語で指示も添えられる。入力には文章に加え、最大4枚の画像を使える。

Clairicは複数の項目を並列に処理する。入力と指定した項目が1回の処理に収まらない場合は、サーバー側で項目を複数の組に分ける。各組の処理では同じ入力全体を参照し、並列に得られた結果を最後に統合する。

Cloudflareが示した問い合わせメールの例では、注文番号や配達日、商品の破損箇所を抽出する。商品代金649ドルと税額52.10ドルから支払総額701.10ドルを求め、配達日とメールの日付から経過日数も計算する。メールにない追跡番号には、値がないことを示すnullを返している。

テキストの抽出結果には、元の文章のどこにあったかを示す文字位置が付く。テキストや数値、日付などの単一の値には、信頼度とp_nullも付く。p_nullは、求める値が入力に存在しない確率を表す。利用者はこれらを参考に、追加確認が必要かを判断できる。

ただし、型に合う形式で値が返っても、その内容まで正しいとは限らない。Cloudflareによると、1〜2段階の計算は比較的安定しているものの、前の結果を使って何段階も計算を続ける処理や、表の多数の行にわたる集計は苦手としている。同社は現時点では、計算処理をコードに任せるよう勧めている。

推定⁠・予測では⁠、値とともに不確かさを示す

Clairicは、類似事例や過去のデータを手掛かりに、未知の値を推定する用途にも使える。Cloudflareは、近隣物件の売却価格や面積、築年などをもとに住宅価格を推定する例を紹介した。

発表記事を共同執筆したKevin Flansburg氏は、Clefが分類に基づくのに対し、Clairicは回帰に基づくと説明している。Clefは用意された候補から答えを選び、Clairicは入力をもとに数値を推定する。たとえば住宅価格なら、Clairicには価格の候補を一つずつ用意する必要がない。

こうした推定にはestimate型を使い、利用者が値の最小値・最大値や刻み幅を指定する。推定値や中央値とともに、モデルが推定した分布の中央80%に当たる区間も返る。

利用者は推定値と区間の幅を参考に、結果をそのまま使うか、追加確認に回すかを判断できる。ただし、未知のデータでは区間が狭く出ることがあり、実際の値が80%の割合で区間に収まるとは限らない。

過去の推移をもとに将来の値を予測する場合は、forecast型を使う。過去の数値をCSVや注記が混ざった文章のまま渡し、将来の各時点について値と80%区間を受け取れる。米国の空港保安検査を通過した人数を使った同社の検証では、毎日、それまでの実測値を入力して翌日の人数を予測する処理を21日間続けた。平均の誤差は3.3%で、実測値が80%区間に収まった日は21日中17日だった。

この検証では、区間を外れた4日のうち3日が祝日の週末に当たった。Clairicは過去の推移から予測するため、履歴に現れないイベントの影響は考慮できない。同社は、誤差が重大な影響を及ぼさない場面で、大まかな傾向を捉える用途を想定している。

Clairicで抽出⁠、Clefで判断⁠、LLMで返信を作る

Cloudflareは、問い合わせ対応を3種類のモデルで分担する例も示した。まずClairicがメールから必要な情報を抽出し、修理費を推定する。次に、その結果と対応方針をClefへ渡して、返金か修理かを判断させる。最後に、LLMが判断結果と返信に必要な情報を受け取り、返信文を作る。

CTOのDane Knecht氏は、この構成なら、返信文を生成するLLMに元のメールを渡さず、抽出した値を渡せる点を挙げている。

同社は、この構成の返信生成にGLM-5.3を使い、抽出・判断・返信のすべてをGLM-5.3に任せる構成と処理時間や費用を比較した。メールや対応方針、プロンプトをそろえて検証したところ、ClairicとClefに抽出・判断を任せると、所要時間は61.7秒から19.3秒へ69%短縮し、費用も49%削減したという。事実の抽出と対応の判断は、どちらの構成でも毎回正しかったとしている。

一方、すべての処理をGemma 4やQwenに任せる構成も試したが、この問い合わせ対応では修理費などの値を入力から求められず、失敗したと報告している。

Workers AIで利用可能⁠、モデルの重みは今後公開

モデル識別子は@cf/cloudflare/clairic。Cloudflare Workersからenv.AI.run()で呼び出せるほか、REST APIにも対応する。出力トークンを生成しないため、入力だけに課金される。モデル仕様に記載された料金は、入力100万トークン当たり0.10米ドル。

現在は、開発初期のモデルをプレビューとして提供している。発表記事を執筆したMichelle Chen氏によると、能力やアーキテクチャを調整した後、モデルの重みを公開する予定。