Cloudflare, Clairic çıkarım modelini Workers AI üzerinde duyurdu, açık ağırlıklar yolda

Cloudflare, ilk System One çıkarım modeli Clairic'i duyurdu

Cloudflare, @cf/cloudflare/clairic kimliğiyle Workers AI üzerinde barındırılan Clairic modelinin önizlemesini açtı ve açık ağırlıklı sürümün yakında yayınlanacağını taahhüt etti. Cloudflare blogunda 19 Ekim 2026 tarihli bir yazıda yayımlayan şirket, Clairic'i System One çıkarım modelleri dediği yeni bir kategorinin ilk üyesi olarak tanımlıyor: yapılandırılmamış girdiden — ister çıkarım, ister hesaplama, ister tahmin ya da öngörü yoluyla olsun — değer çıkarmak için tasarlanmış ve bunu geleneksel LLM'lerden daha iyi doğrulukla, daha düşük gecikmeyle ve daha düşük maliyetle yapan sistemler.

Fikir nereden geliyor

Konsept, Cloudflare'in TypeSafe'e atfettiği çalışmaya dayanıyor; TypeSafe, duyurudan yaklaşık bir ay önce Kahneman'ın Düşünmek, Hızlı ve Yavaş kitabından aldığı etiketle System One modelleri kavramını tanıttı. Bu çerçevede System One hızlı ve isabetlidir, System Two ise yavaştır ve düşünerek ilerler — LLM'lerin alanı budur. TypeSafe'in Jev modeli, tek bir karar görevi için özel olarak kurulmuş ve nişine uygun fiyatlara sahip bir modeldi ve LLM olmayan modellerin dar işlerde sınır modellerini geçebileceğini gösterdi. Cloudflare, şu ana kadarki her System One modelinin — Jev ve Clef dahil — bir karar modeli olduğunu belirtiyor: bir girdi durumu ve bir soru listesi alır, listelenen seçenekler üzerinde olasılıklar döndürür. Clairic bu kalıptan ayrılır ve olasılıklar yerine değerler döndürür.

Tek geçiş, token yok, tipli yanıtlar

Cloudflare, model görevlerinin çoğunu üç çıktı biçimine ayırıyor. Clairic sayılar, tarihler ve listeler gibi tipli değerleri; Clef sabit bir kümeden seçimleri yapar ve her seçenek için bir olasılık döndürür; LLM'ler ise uçsuz metinle ilgilenir. Clairic'in belirleyici özelliği yanıtı tek bir paralel geçişte vermesidir: girdiyi okur ve yanıtları doğrudan hesaplar; akıl yürütme adımı yoktur, çıktı tokenı yoktur. Faturalama bu yüzden yalnızca girdiyi kapsar ve yanıtlar genellikle bir saniyenin altında gelir; oysa akıl yürüten bir LLM birkaç saniye alır. Hiçbir şey üretilmediği için Cloudflare'e göre model, bir LLM'in yapabileceği şekilde bozuk bir dizi döndüremez ya da yanıt uyduramaz — yine de yanlış olabilir. Her yanıt ya belirtilen türde bir değerdir ya da null'dur ve her biri bir güven skoru ile p_null, yani değerin girdide hiç bulunmadığı olasılığını taşır; bu da çağıran tarafa ikinci bir bakışın gerekli olduğu anlar için bir sinyal verir.

Neler döndürebilir

Blog yazısına göre Clairic dört tür sonuç üretir:

• Çıkarılan değerler: girdiden doğrudan kopyalanan parçalar, örneğin bir isim ya da sipariş numarası; her yanıtın kaynağına geri izlenebilmesi için karakter ofsetleri ve bir güven skoruyla döndürülür.
• Hesaplanan değerler: girdiden okunan ya da girdiden türetilen ve türlerinin kurallarına uyan sayılar, tarihler, saatler, süreler ve listeler.
• Tahmin edilen değerler: girdinin ima ettiğini ama hiç açıkça belirtmediği nicelikler için dağılımlar; çağıran tarafın bildirdiği sınırlar ve bir adım kafesiyle kısıtlanır ve bir medyan ile yüzde 80'lik aralıkla raporlanır.
• Öngörülen değerler: bir serinin geleceğe uzantısı, adım başına bir tahmin ve her birinin kendi yüzde 80'lik aralığıyla.

Bir istek nasıl çalışır

Bir istek, bir durumdan — okunacak metin ve en fazla dört isteğe bağlı görsel — ile tipli alanlardan oluşan bir haritadan oluşur. Çağıran taraf her alana bir isim verir, metin, sayı, tarih, datetime, süre (duration), liste, tahmin ya da öngörü gibi bir tür seçer ve düz dilde talimatlar ekleyebilir. Model, tek bir ileri geçişle her alan için bir tipli yanıt döndürür. Alan sayısında bir üst sınır yoktur: alanlar girdiyle birlikte tek geçişe sığmazsa sunucu, her biri girdinin tamamını gören paralel geçişlere böler ve sonuçları birleştirir. Cloudflare bunu, tipik LLM çıkarım iş akışlarıyla karşılaştırıyor — fatura numarası, satıcı ve son ödeme tarihinin JSON olarak istenmesi — ki bunlar çoğu zaman geçersiz çıktıyı ya da yanlış okunan rakamları yakalamak için yığınlar halinde ayrıştırıcı, şema denetimi, yeniden deneme ve manuel inceleme gerektirir.

Neden önemli

Bugün sınır LLM'lerine yapılan yapılandırılmış çıktı çağrılarının büyük bir kısmı basit alan okumalarıdır: fatura toplamları, teslim tarihleri, gecikme günleri. Cloudflare'in iddiası, bu işlerin token token üretim ya da zincirleme düşünme (chain-of-thought) gerektirmediği ve her belgenin her alanı için akıl yürütme ile çıktı tokenları ödemenin israf olduğudur. Clairic'in doğruluk ve gecikme iddiaları pratikte doğrulanır ve açık ağırlıklı sürüm gerçekten yayımlanırsa, bu tablo bir iş bölümü çiziyor: çıkarım modelleri ham girdiyi tipli değerlere dönüştürür, karar modelleri değerleri kararlara çevirir ve LLM'ler yazma ile akıl yürütme için ayrılır. Ölçekte belge hatları çalıştıran ekipler için bu, daha ucuz, daha doğrulanabilir ve daha az sessiz hata moduna sahip çıkarım anlamına gelebilir.