---
title: "Clairic: o modelo de extração da Cloudflare que responde com valores"
description: "Preview do Clairic no Workers AI inaugura a classe System One de extração: leitura em um único passe, valores tipados com probabilidade de nulo e confiança, e estimativas com intervalo de 80% em vez de texto gerado."
canonical: "https://ronanrodrigo.dev/notes/clairic-modelos-de-extracao"
markdown: "https://ronanrodrigo.dev/notes/clairic-modelos-de-extracao.md"
last-updated: "2026-11-04"
---
## Clairic e a nova classe de modelos de extração

Até agora, todo modelo System One era um modelo de decisão: recebia um estado e uma lista de perguntas e devolvia probabilidades para cada opção (caso de Jev e Clef). O Clairic inaugura outra classe — a de **extração** — e responde com valores em vez de escolhas: extrai, calcula, estima e projeta números, datas, nomes e listas a partir de material não estruturado.

O desenho é o mesmo de um modelo de decisão: um único passe sobre os tokens de entrada, sem gerar tokens de saída, portanto sem cobrança por saída e com resposta tipicamente abaixo de um segundo. A diferença está no contrato: em vez de escolher entre opções predefinidas, o modelo devolve um valor por campo declarado, sob as regras do tipo pedido — ou `null` quando a entrada não determina a resposta.

A precisão vem acompanhada de incerteza explícita. Campos escalares trazem `p_null` (probabilidade de a entrada não determinar o valor) e `confidence`; estimativas e previsões trazem mediana e intervalo de 80% (`p10` a `p90`). A largura do intervalo funciona como sinal de roteamento: faixa estreita indica alta certeza, faixa larga pede verificação adicional.

Nas previsões de triagem de aeroportos da TSA usadas como demonstração, o erro médio em 21 dias ficou em 3,3%, com 17 das 21 contagens reais dentro do intervalo de 80%. Os quatro dias fora da faixa se concentraram no fim de semana do Columbus Day — o modelo captura a sazonalidade semanal da série, mas não eventos que a série não mostra.

O contraste de custo e latência com o caminho só-LLM é o argumento central: extração com Clairic mais decisão com Clef resolveram as duas etapas em menos de um segundo, contra 38 segundos do GLM-5.3 no mesmo par de passos.

[Acesse o anúncio original](https://blog.cloudflare.com/clairic-extraction-model/)

## Documentação: o que caracteriza um modelo de extração

O guia conceitual do Workers AI separa quatro capacidades que o modelo cobre: **extração** (valor presente no texto, como o total impresso numa fatura), **cálculo** (derivar de fatos fornecidos, como dias de atraso a partir do vencimento e da data atual), **estimativa** (prever o que a entrada não determina, como quando uma fatura será paga) e **previsão** (sequência de valores ao longo de um período).

A página é explícita sobre os limites, e vale ler antes de plugar o modelo em lógica de negócio: resultado tipado não garante correção; `null` pode significar informação ausente ou falha de identificação; restrições de faixa limitam o valor devolvido sem garantir que ele esteja certo; e intervalos não substituem checagens na aplicação. Para ações consequentes, a recomendação é cruzar com outra evidência ou exigir revisão humana.

[Leia a documentação de modelos de extração](https://developers.cloudflare.com/workers-ai/concepts/extraction-models/)

## Referência do modelo `@cf/cloudflare/clairic`

O modelo está em preview, com janela de contexto de 65.536 tokens, entrada de até quatro imagens (PNG, JPEG ou WebP, sem URL remota) e retenção zero de dados. A cobrança é de US$ 0,10 por milhão de tokens de entrada, sem custo de saída.

A referência traz exemplos executáveis em TypeScript, Python e curl para uma fatura, incluindo `span` com offsets de caractere para o texto extraído e `spans` para itens de lista — útil para destacar o trecho original na interface. O bloco de `usage` expõe `passes`, o número de passes usados na decodificação.

[Consulte a referência do Clairic](https://developers.cloudflare.com/workers-ai/models/clairic/)

## Clef: os modelos de decisão que abriram o caminho

Para entender a divisão de trabalho proposta, o anúncio do Clef é o ponto de partida: são modelos Cloudflare de pesos abertos (Apache 2.0, também no Hugging Face) que recebem estado e um esquema de perguntas tipadas e devolvem probabilidade para cada opção permitida — rotear ticket, bloquear requisição, escalar para humano. O Clef tem encoder de visão e contexto de 64k; o anúncio reporta liderança no Jev Decision Index na época do lançamento e um caso interno de classificação de domínios em 2,2s contra 4,7s do gpt-oss-120b.

É a peça intermediária da pilha descrita no Clairic: extração transforma entrada bruta em valores, decisão transforma valores em escolhas e o LLM transforma escolhas em palavras.

[Leia o anúncio do Clef](https://blog.cloudflare.com/clef-decision-models/)

## TypeSafe Jev: de onde vem o conceito System One

O termo nasceu no anúncio do Jev, da TypeSafe AI. O texto de Diogo Almeida define o modelo como "função de chamada de fronteira": estado não estruturado entra, decisões probabilísticas tipadas saem, com geração paralela de todas as respostas em uma única passada e sem geração de strings.

A comparação publicada lá é o melhor material para calibrar expectativa: latência de 70 ms a 500 ms contra 3 a 329 segundos de modelos de fronteira em consultas de formato System One, e preço por token de entrada na casa de US$ 0,042 por milhão. O nome da classe vem de *Thinking, Fast and Slow*, de Kahneman — raciocínio rápido e intuitivo contra deliberação lenta.

[Leia o anúncio do Jev](https://typesafe.ai/blog/introducing-system-one-models-and-jev)