Titre original : Cloudflare/clairic
La famille de modèles Clairic de Cloudflare comprend deux modèles mis à jour ensemble le 18 11 : Clairic (27B, basé sur Qwen3.8-27B, téléchargé le 16 10) et Clairic Flash (9B, basé sur Qwen3.5-9B, téléchargé le 12 11). En entrée, on fournit un texte ou un état JSON, des images et des PDF optionnels, ainsi qu'une liste « nom de champ → description du type ». Le modèle renvoie des valeurs typées par champ : texte, nombre, date-heure, durée, booléen, énumération, objet, liste, calcul, ainsi que des estimations avec bornes inférieure et supérieure et des séries de prévision avec pas. Il existe également une tête de sortie typée distincte, clair_head, dont les contraintes structurelles sont garanties par xgrammar. Licence Apache-2.0.
Pourquoi c'est important L'extraction de reçus, de formulaires et de journaux ne nécessite plus d'écrire ses propres prompts et analyseurs ; chaque champ est accompagné d'un score de confiance et d'une probabilité d'être vide, ce qui facilite la définition de seuils ; la licence Apache permet une utilisation commerciale
Score de progression 58 · J'aime 78 · Téléchargements 34
Raisons
- Les réponses d'extraction incluent les indicateurs valid, complete, un score de confiance global et une probabilité d'être vide (p_null) notée indépendamment ; les preuves textuelles correspondant de manière unique sont localisées par des intervalles de caractères dans le texte source
- Les estimations et les prévisions doivent déclarer min / max (les prévisions ajoutent horizon et intervalle), avec possibilité de retourner des quantiles ; source_only n'utilise que les nombres et dates imprimés dans le texte source, tandis que knowledge autorise l'utilisation des connaissances du modèle pour répondre
- La réponse indique si l'entrée a été tronquée et détaille l'utilisation des tokens, ce qui permet de déterminer si le résultat est directement utilisable
Utilisation
- Python 3.11+, installez les requirements.txt du dépôt ; après snapshot_download("Cloudflare/clairic"), ajoutez le chemin à sys.path, puis importez from clairic_model import load_release_model, systemone ; appelez load_release_model(path, device="cuda")
- systemone(model, processor, {"state": texte, "fields": {nom_du_champ: {"type": "number", "decimals": 2}, ...}}) ; pour les images, utilisez PIL et placez-les dans images, options.include_quantiles permet de retourner des quantiles, et reference_date gère les dates relatives comme « la semaine dernière »
- Chaque fichier intégré ne doit pas dépasser 4 MiB, avec un total de 8 MiB ; le nombre total d'images et de pages PDF est limité à 4 ; en cas de mémoire GPU limitée, vous pouvez utiliser Cloudflare/clairic-flash (9B), qui s'utilise de la même manière ; pour les applications asynchrones, utilisez await model.predict_async(request)
Risques
- Aucune note d'évaluation n'est fournie, ni les exigences en mémoire GPU ; le score de confiance correspond à la probabilité du modèle, et il est recommandé officiellement de définir les seuils en fonction de vos propres données
- Il faut importer le code d'exécution Python fourni depuis le dépôt ; les URL de médias distants ne sont pas acceptées, et une deuxième requête simultanée renverra une erreur de file d'attente pleine
- Cette entrée n'a pas été exécutée