Cloudflare推出Clairic：一次前向传播搞定结构化提取

Cloudflare 在 Workers AI 上预览了一款名为 Clairic 的抽取模型，官方给它的定位是「System One 提取模型」——一次前向传播就返回带置信度分数的类型化值。这个描述里藏着两个值得拆解的信号：一是推理效率被放在了产品设计的中心位置，二是结构化信息抽取正在从「生成式任务」中被剥离出来，变成一种更接近分类或回归的基础能力。

一次前向传播意味着什么

大模型做信息抽取的常规路径是生成：把原文和指令一起喂给模型，让它输出 JSON 或字段值。这条路径的问题不在效果，而在成本结构和不确定性——输出需要逐 token 解码，字段越多、格式越复杂，延迟和费用就越高。

Clairic 的「System One」命名指向的是另一种思路。在认知科学语境里，System One 指快速、直觉式的判断，与之相对的 System Two 是慢速、审慎的推理。放到模型设计上，这意味着 Clairic 不依赖多步推理或思维链，而是在单次前向传播中直接给出结果。据 MarkTechPost 报道，模型返回的是带置信度分数的类型化值，也就是每个字段不仅有值，还附带一个可用的可信度指标。

这个组合对工程落地的影响是直接的。置信度分数让调用方可以设置阈值：高于阈值的字段直接采用，低于阈值的转人工复核或回退到更强的模型。抽取任务从「全有或全无」变成了可按字段分级的流水线。

前向传播（Forward Pass）与自回归解码的区别

前向传播指输入数据从网络第一层流向最后一层、依次经过各层计算得到输出的一次完整过程。在生成式大模型里，一次前向传播通常只产出一个 token，要得到完整输出必须把结果回填到输入中反复调用，即自回归解码。因此生成长度直接决定了前向传播的调用次数，进而决定延迟和算力开销。Clairic 所说的「一次前向传播」，是指模型在单次调用中通过多输出头或结构化预测头，同时给出所有目标字段的值与置信度，不需要逐 token 迭代。这也是输出可以免费、延迟可预测的根本原因：计算量由输入长度和固定输出头决定，与字段数量呈近似线性而非逐 token 累加的关系。

置信度分数的工程含义

模型返回的置信度分数通常来自输出层的概率分布（如各字段取值上的 softmax 概率），经校准后作为可信度指标暴露给调用方。原始概率往往存在过度自信问题，需要温度缩放、保序回归等后处理才能让「0.9 置信度」在统计上真正对应约九成正确率，这一过程称为校准。校准质量直接决定了阈值策略是否可靠：若分数分布与真实准确率偏离，高阈值过滤会漏掉错误、低阈值又引入大量噪声。因此评估 Clairic 时，除了看字段覆盖范围，还应关注其置信度在目标领域数据上的校准曲线，这比单看平均准确率更能反映它在分级流水线中的实用价值。

定价结构透露的产品意图

Clairic 的价格是每百万输入 token 0.10 美元，输出不收费。这个定价在当前的 AI 推理市场里相当激进，但它并非单纯的补贴式定价，而是与「一次前向传播」的技术路线相互配合的结果。

输出免费在生成式模型上几乎不可想象，因为输出长度直接对应计算量。Clairic 敢于对输出不计费，说明它的输出被设计成短小、结构化的类型化值，而不是自由文本。换句话说，计费模型本身就在向用户传递一个信息：这个模型的用途是抽取，不是生成。

对高频抽取场景——比如表单解析、日志字段提取、客服工单分类——成本可以压到很低。以每百万 token 一毛钱的价格，大量中小规模的抽取流水线第一次有了在边缘侧直接跑模型的经济性。

Workers AI 的部署语境

Clairic 选择在 Workers AI 上预览，这一点不应被当作发布渠道的细节忽略。Workers AI 是 Cloudflare 的边缘推理平台，主打低延迟和与 Workers 运行时的紧耦合。一个单次前向传播、输出短小的抽取模型，恰好匹配边缘推理的约束条件：内存占用可控、响应时间可预测、无需维持长连接。

这也解释了为什么 Cloudflare 会把「System One」作为卖点而不是技术注释。边缘场景里，用户对延迟的容忍度远低于云端批处理，多步推理带来的额外往返往往比模型本身的推理时间更致命。

边缘推理平台的约束条件

边缘推理指把模型部署在靠近用户的网络节点上执行，而非集中在少数大型数据中心。Cloudflare 的全球网络本身由大量分布式的边缘节点构成，Workers AI 让开发者可以在这些节点上直接运行模型。边缘节点单机算力与内存远小于云端 GPU 集群，无法承载超大参数模型或长时间多步推理，且通常采用无状态、按请求计费的执行模型，难以维持长时间连接或会话。这些约束天然偏好参数量适中、单次前向完成、输出短小且内存占用可预测的模型。Clairic 的设计与这类约束高度吻合，也是它选择 Workers AI 而非通用云推理服务作为首发渠道的重要原因。

结构化抽取的路线分化

把 Clairic 放回更大的技术图景里看，它代表了一条与「用通用大模型做一切」相反的分化路径。过去两年，信息抽取被大量交给通用模型处理，代价是成本高、延迟不稳定、输出格式需要反复校验。专用抽取模型的出现，说明市场开始为这类任务寻找更匹配的算力形态。

这种分化在行业里已有迹象。小型专用模型在分类、嵌入、重排序等任务上早已取代通用模型，抽取很可能是下一个被剥离出来的环节。Clairic 的置信度输出进一步强化了这一趋势——它把「模型不确定时该怎么办」这个工程问题前置到了模型接口层面。

当然，预览阶段意味着还有变量未定。置信度分数的校准质量、类型化值的覆盖范围、以及跨领域的泛化表现，都需要实际测试才能判断。单次前向传播在复杂嵌套结构上的上限也值得观察。

对于正在搭建抽取流水线的团队，Clairic 值得纳入评估清单，尤其是那些对延迟敏感、调用量大的场景。但把它当作通用模型的完全替代品为时尚早，更现实的定位是流水线中的第一道过滤器。