Clairic: saída tipada reduz o problema de parsing, não o de estar errado

A Cloudflare anunciou a prévia do Clairic no Workers AI, com o identificador @cf/cloudflare/clairic.[8] O modelo recebe texto, até quatro imagens opcionais e campos com tipos e instruções, devolvendo valores em uma passagem, sem geração token a token.[8] Os pesos abertos foram prometidos para depois, não disponibilizados como parte dessa prévia.[8]

O interesse arquitetural é separar tarefas. Extrair um campo, decidir uma ação e redigir uma resposta não precisam ser a mesma operação. Minha leitura é que especializar essas etapas pode tornar a avaliação mais clara, desde que o contrato não confunda formato válido com informação correta.

O que muda para quem desenvolve

A proposta inclui trechos de texto com posições para rastreabilidade, valores escalares com confiança e probabilidade de ausência, além de estimativas e previsões com mediana e intervalo de 80%.[8] O próprio anúncio distingue resposta bem formada de resposta semanticamente correta.[8]

Recomendo aproveitar essa distinção na interface da aplicação. Um campo deveria poder ser aceito, rejeitado ou enviado para revisão. Não transforme uma probabilidade em autorização automática sem medir como ela se comporta nos documentos do seu domínio.

Na demonstração de atendimento divulgada pela empresa, a cadeia com Clairic, Clef e GLM-5.3 levou 19,3 segundos, contra 61,7 segundos da versão baseada em GLM em todas as etapas, com custo informado 49% menor.[8] É um resultado do fornecedor para aquele cenário, não uma previsão para outro produto.[8]

Como aplicar

Prepare documentos sintéticos em português com respostas de referência. Inclua datas ambíguas, valores ausentes, campos repetidos e descrições que pareçam um valor, mas pertençam a outro contexto. Separe exemplos usados no ajuste das instruções dos usados na avaliação final.

Compare a solução atual e a candidata em três dimensões: acerto por campo, identificação correta de ausência e quantidade de revisões manuais. Registre também latência e custo por documento aceito, não apenas por chamada.

Defina uma regra inicial conservadora para revisão e varie o limiar em dados de teste. Observe quais erros passam em cada faixa de confiança. Para cálculos, proponho extrair os operandos e executar a conta em código, mantendo a origem de cada valor disponível para conferência.

Cuidados e limites

O anúncio reconhece fraquezas em aritmética longa e agregações extensas, piora possível da calibração em dados desconhecidos e limites para previsão temporal.[8] A recomendação divulgada é deixar cálculos em código e usar confiança, ausência e intervalos para orientar verificações.[8]

Para um formato já estruturado, recomendo avaliar primeiro um parser determinístico. Não introduza inferência só para substituir uma leitura direta de campos.

O ganho potencial do Clairic é um contrato de dados mais específico. O trabalho restante continua sendo provar, no domínio real, quando esse dado merece entrar no sistema sem intervenção.

Fonte

[8] Fonte: Cloudflare Blog. Publicação: 19/10/2026 às 14:48.