Cloudflare تطلق Clairic أول نموذج استخراج من فئة System One بتمريرة واحدة

أطلقت Cloudflare نسخة تجريبية من نموذج Clairic، وتصفه بأنه أول نموذج في فئة جديدة تسميها “نماذج الاستخراج من نوع System One”. النموذج لا يكتب نصاً ولا يفكر خطوة بخطوة. يقرأ المدخلات مرة واحدة ويعيد قيماً مُنمّطة: رقم، تاريخ، مدة، قائمة، أو توزيع احتمالي لقيمة مستقبلية. وهو متاح الآن على Workers AI تحت المعرّف @cf/cloudflare/clairic، وتقول الشركة إنها تنوي نشر أوزانه مفتوحة “قريباً”، ولم يُحدَّد الموعد بعد (وفقاً لـ Cloudflare). وتؤكد Cloudflare أن النموذج يستخرج القيم ويحسبها ويقدّرها ويتنبأ بها بدقة أعلى وزمن استجابة أقل وكلفة أدنى من نماذج LLM التقليدية. هذه أرقام معلنة من الشركة نفسها، ولم يتسنَّ التحقق منها بشكل مستقل. القصة كلها تستند إلى مصدر وحيد هو مدونة Cloudflare.

جاءت الفكرة بعد شهر من طرح شركة TypeSafe مفهوم نماذج System One، بحسب مدونة TypeSafe. يستند المفهوم إلى تقسيم دانيال كانمان في كتابه “التفكير السريع والبطيء”: نظام أول سريع ودقيق، ونظام ثانٍ يفكر بتأنٍّ كما تفعل نماذج LLM. قدّمت TypeSafe حينها نموذج Jev، وهو نموذج مصمم لحالة استخدام محددة وبسعر في المتناول، يساعد المستخدمين على اتخاذ قرارات مبنية على احتمالات ومخرجات مُنمّطة. ثم طرحت Cloudflare نموذج Clef في الفئة نفسها. كل نماذج System One السابقة كانت “نماذج قرار”: تأخذ حالة وقائمة أسئلة وخيارات، وتعيد احتمالاً لكل خيار. لاحظت Cloudflare أن جزءاً كبيراً من الاستدعاءات التي تذهب إلى نماذج LLM الرائدة يتكرر بالشكل نفسه: كم إجمالي الفاتورة؟ متى سُلّمت الشحنة؟ كم يوماً تأخرت؟ كم سيكلف الإصلاح؟ كيف ستبدو حركة المرور خلال 24 ساعة القادمة؟ لا يمكن حصر إجابات هذه الأسئلة مسبقاً في قائمة خيارات، ولذلك لا يصلح لها نموذج قرار. من هذه الفجوة وُلد Clairic (وفقاً لـ Cloudflare).

تقسّم Cloudflare مهام النماذج إلى ثلاثة أنواع من المخرجات. الأول رقم، ويتولاه Clairic مع نطاق ثقة بنسبة 80%، إلى جانب قيم مُنمّطة مثل الأسماء والتواريخ والقوائم. الثاني اختيار من مجموعة ثابتة، ويتولاه Clef. الثالث نص مفتوح، وهو مجال نماذج LLM. يعمل Clairic بتمريرة أمامية واحدة متوازية دون توليد رموز، فلا يُحتسب ثمن إلا رموز الإدخال. ويستجيب عادة في أقل من ثانية، بينما يحتاج LLM يفكر في الخطوة نفسها إلى عدة ثوانٍ (وفقاً لـ Cloudflare). وتصنّف الشركة مخرجاته في أربع فئات:

• قيم مستخرجة: نص منسوخ حرفياً من المدخلات، مثل اسم أو رقم طلب أو وصف، مع إزاحات الأحرف التي تحدد موقعه ودرجة ثقة.
• قيم محسوبة: أرقام وتواريخ وأوقات وطوابع زمنية ومدد وقوائم، تُقرأ من المدخلات أو تُستنتج منها، وتلتزم بقواعد نوعها، كخانتين عشريتين للسنتات.
• قيم مقدَّرة: قيم لا تذكرها المدخلات صراحة لكنها تحمل قرائن عليها. تُعاد كتوزيع داخل الحدود التي تعلنها وعلى الشبكة التي تحددها، مع وسيط ومجال 80%.
• قيم متنبأ بها: القيم المستقبلية لسلسلة زمنية، بتقدير لكل خطوة قادمة ومجال 80% خاص بكل منها.

الفرق الجوهري الذي تبرزه Cloudflare في جدول المقارنة هو ضمان صلاحية المخرج. نموذج الاستخراج إطاره في تعلم الآلة هو الانحدار والاستخراج، ونموذج القرار إطاره التصنيف، وكلاهما يعمل بتمريرة متوازية واحدة. أما نماذج مثل GPT وClaude وGemini وDeepSeek فتعمل بالتوليد، رمزاً بعد رمز. وفق المقارنة نفسها، كل إجابة من Clairic قيمة من النوع المعلن داخل حدودك أو null، وكل إجابة من Clef أحد خياراتك. أما مخرجات LLM فنصوص حرة يجب تحليلها والتحقق منها (وفقاً لـ Cloudflare). ولأن النموذج لا يولّد رموزاً، فهو لا “يهلوس” بالطريقة التي يهلوس بها LLM، مع أن الشركة تقرّ بأنه قد يخطئ. وتقترح الشركة أن تعمل الفئات الثلاث في سلسلة واحدة: الاستخراج يحوّل المدخلات الخام إلى قيم، والقرار يحوّل القيم إلى قرارات، والـ LLM يحوّل القرارات إلى كلمات.

المثال الذي تعرضه Cloudflare يوضح الفكرة جيداً. رسالة دعم فني من عميلة اسمها Dana تقول إن الطلب A-88412 وصل في 28 سبتمبر 2026 بشاشة مكسورة وزاوية منبعجة، وإنها دفعت 649.00 دولاراً زائد 52.10 دولاراً ضريبة، وإنها تكتب في 9 أكتوبر 2026 طالبة الإصلاح أو الاسترداد. أعاد Clairic رقم الطلب A-88412 مع موقعه في النص [10, 17] وثقة 0.999957، وتاريخ التسليم 2026-09-28 بثقة 0.999999. وأعاد المبلغ المدفوع 701.1 بثقة 0.999944، رغم أن هذا الرقم غير مكتوب في الرسالة أصلاً، فقد جمع النموذج السعر والضريبة في التمريرة نفسها. وحسب عدد الأيام منذ التسليم فأعاد 11 يوماً من تاريخين منفصلين في النص، وأعاد نوعَي الضرر كقائمة بموقعين دقيقين [50, 64] و[71, 84] يمكنك تظليلهما في المصدر (وفقاً لـ Cloudflare). اللافت هو حقل رقم التتبع، فهو غير موجود في الرسالة. أعاده النموذج null باحتمال غياب p_null يساوي 1، وأظهر في حقل guess ما كان سيختاره لو أُجبر على الإجابة، وهو “$52.10” بثقة 0.416 فقط. هنا تكمن القيمة الحقيقية في رأينا: LLM مُجبَر على ملء JSON كان سيضع شيئاً معقولاً المظهر في هذا الحقل، وربما مرّ الخطأ دون أن يلاحظه أحد.

جرّبت الشركة النموذج أيضاً على صورة حقيقية لإيصال، بخط غير مثالي وزاوية تصوير تضعف المقروئية. أعاد Clairic رقم الطلب 77245 بثقة 0.776، ووقت الشراء 2026-07-01T13:34:00 بثقة 0.831، والكمية 2 بثقة 0.9997، وسعر الوحدة 7.99 بثقة 0.999، والمجموع الفرعي 15.98 بثقة 0.99999، وضريبة المبيعات 0 بثقة 0.99998، والبقشيش 2.39 بثقة 0.934. وأعطى حقل الخصم احتمال غياب يقارب 0.999 (وفقاً لـ Cloudflare). لاحظ أن الثقة انخفضت تحديداً في الحقول التي تأثرت بجودة الصورة، وهذا ما يجعل الرقم مفيداً في التشغيل الفعلي. النص المتاح لنا من المدونة ينقطع عند هذا المثال، لذلك لا نعرض بقية النتائج.

إذا كنت تبني اليوم خط استخراج يعتمد على LLM، فأنت تعرف أنماط الفشل التي تذكرها Cloudflare: JSON غير صالح، ورقم يُقرأ خطأً أثناء التوليد، ومقتطف نصي لا يمكن تتبعه إلى موقعه في المصدر. والنتيجة طبقات من التحليل والتحقق من المخطط وإعادة المحاولة والفحص اليدوي، مع دفع ثمن رموز التفكير والإخراج لكل حقل في كل مستند. ولأن Clairic يجيب عن كل الحقول في التمريرة المتوازية نفسها، تقول الشركة إن طلب ثلاثين حقلاً يكلف تقريباً ما يكلفه طلب ثلاثة (وفقاً لـ Cloudflare). وهذه طريقة تطبيقه عملياً بحسب المدونة وصفحة التوثيق:

1. استدعِ النموذج من داخل Worker عبر env.AI.run(“@cf/cloudflare/clairic”, …)، ومرّر في حقل state النص المراد قراءته، ومعه حتى أربع صور اختيارية.
2. عرّف خريطة الحقول في fields: اسم لكل حقل، ونوع، وتعليمات اختيارية بلغة بسيطة مثل “إجمالي المدفوع شاملاً الضريبة”. ويمكنك إضافة خيارات مثل decimals: 2 وunit: “USD” للمبالغ، أو integer: true مع unit: “days” للمدد.
3. اختر النوع الصحيح لكل حقل. text يعيد مقطعاً من المدخلات مع إزاحاته، وnumber يعيد رقماً مقروءاً أو محسوباً يحترم الأعداد الصحيحة والكسور. date وtime وdatetime تعيد تواريخ وأوقاتاً صالحة بصيغة ISO، وduration يعيد مدة بالوحدة التي تختارها. list يعيد نصوصاً أو أرقاماً أو تواريخ مطابقة بترتيب ورودها، وestimate يعيد توزيعاً داخل [min, max] على شبكة خطوات بمقياس خطي أو لوغاريتمي. أما forecast فيعيد تقديراً لكل خطوة مستقبلية في سلسلة.
4. في حقول estimate وforecast حدّد الحدود الدنيا والعليا والخطوة بعناية، فالنموذج يعيد وسيطاً ومجال 80% (من p10 إلى p90)، ويمكنه أن يعيد كل المئينات الـ99 عند الطلب.
5. ابنِ منطق المراجعة على p_null وconfidence اللذين يرافقان كل إجابة مفردة. الحقول ذات الثقة المنخفضة أو احتمال الغياب المرتفع تُحال إلى مراجعة بشرية بدل أن تمر تلقائياً.
6. لا تقلق من عدد الحقول، فلا حد أقصى له. إذا لم تتسع الحقول بجانب المدخلات في تمريرة واحدة، يقسمها الخادم إلى تمريرات متوازية ترى كل منها المدخلات كاملة، ثم يدمج الإجابات. بعد ذلك يمكنك تمرير القيم إلى Clef لاتخاذ قرار، وإلى LLM لصياغة الرد.

لكن Clairic ليس بديلاً عاماً عن LLM. كل سؤال من نوع “لماذا حدث هذا؟” أو “كيف نتعامل معه؟” أو “هل يمكنك إصلاحه؟” يبقى من اختصاص نماذج التفكير، بحسب تصنيف Cloudflare نفسها. والنموذج لا يزال في مرحلة معاينة، وأوزانه المفتوحة بلا موعد محدد. والنص الذي اطلعنا عليه لا يتضمن أسعاراً تفصيلية لرموز الإدخال، ولا مقارنة معيارية مستقلة تسند ادعاءات الدقة والسرعة. السؤال الذي يستحق أن تختبره بنفسك قبل نقل خط إنتاجك: هل تصمد درجات الثقة هذه على مستنداتك أنت، بلغاتها وتنسيقاتها، كما صمدت على رسالة Dana وإيصال المطعم؟

مقالات ذات صلة

DeepSeek تفتح محرك الاستدلال DeepInfer الذي يشغّل خدماتها الإنتاجية تحت رخصة Apache

اليوم

اختراق OpenCode يسرّب مفاتيح API ويكشف عجز النماذج المقيدة عن دعم المدافعين

اليوم

أدوات مراجعة LLM تكشف عيوباً تؤجل PostgreSQL 19 إلى 19 نوفمبر

اليوم