今天，我们宣布了一种新的 System One 风格模型的预览：抽取模型。我们的第一个模型 Clairic 已在 Workers AI 上托管，地址为 @cf/cloudflare/clairic。我们打算很快发布该模型的开放权重。Clairic 是一种抽取模型，能够从非结构化输入中提取、计算、估算和预测值，且其准确性显著高于传统的大型语言模型，延迟更快，成本更低。 背景在一个月前，TypeSafe 宣布了 System One 模型，轰动了整个行业。正如 TypeSafe 在其博客中提到并由丹尼尔·卡尼曼的书《思考，快与慢》所定义的那样，System One 模型应该是快速和精确的，而这与能够进行深思熟虑推理的 System Two 模型（如大型语言模型）形成对比。为此，TypeSafe 推出了 Jev——一种专为特定用例量身定制的模型，并据其小众领域提供可承受的价格。它在大型语言模型失败的地方表现卓越，帮助用户基于概率和良好类型化的输出做出决策。Jev 的推出促使人们开始思考一类不是大型语言模型的新模型，以及如何将这些模型整合到他们的工作流程中。我们受到了 System One 模型概念的启发，开始思考其他大型语言模型效率低下的任务。今天，许多结构化输出的调用不断发送到前沿大型语言模型，内容几乎相同：发票总额是多少？这个是什么时候送达的？迟到了多少天？这个修理费用是多少？未来 24 小时的交通状况如何？这些问题都没有可以提前列出的答案，这对于决策模型来说是必需的，以便给出概率。这使我们引入了今天要介绍的模型类别：System One 抽取模型。 介绍 System One 抽取模型直到现在，每个 System One 模型都是一个决策模型：Jev 和 Clef 接受输入状态和问题列表，并针对输入和您列出的问题给出概率。Clairic 是一个新类别中的第一个模型：System One 抽取模型。它仍然快速、类型化且便宜，但它直接从输入中提取、计算或预测值来回答。大多数模型任务请求三种类型的输出之一：数字、固定集合中的选择或开放式文本。Clairic 处理第一种类型，返回具有 80% 置信区间的数字，并能从输入中提取类型化的值，如姓名、日期和列表。Clef 处理第二种类型：它从选项中进行选择，并为每个选项返回概率。大型语言模型处理第三种类型。我们称 Clairic 和 Clef 为 System One 模型，因为它们以单次传递的方式给出答案，不进行推理或生成标记。它们仅对输入计费，通常在一秒钟内响应，而一次推理相同步骤的大型语言模型需要几秒钟。抽取模型可以返回：提取值：从输入中复制的文本，例如姓名、订单 ID 或描述。每一个都会以字符偏移量和置信度分数的形式返回。包括计算值：从输入中读取或从中算出的数字、日期、时间、日期时间、持续时间和列表。它们遵循类型的规则（例如，分币有两位小数）并附带置信度分数。估计值：输入未明确给出的但提供证据的值。每一个都会以您声明的边界内的分布形式返回，在您指定的网格上，带有中位数和 80% 区间。预测值：一系列未来的值，每一步都有一个估计，每个都有自己的 80% 区间。因为它不生成标记，所以它无法像大型语言模型那样产生拼写错误的答案或“幻觉”（尽管它当然也可能犯错误）。输出是您请求类型的值，或者当模型未能在输入中找到答案时返回 null。它还附带与输出相关的置信度分数，帮助您评估是否值得信任模型或重新审视。 以下是抽取模型在 System One 和 System Two 模型中的位置： System One: 提取 System One: 决策 System Two 例子模型 Clairic Jev, Clef GPT, Claude, Gemini, DeepSeek 采样 一次并行传递 一次并行传递 一次一个令牌 目的 预测值 做决定 写作和推理 机器学习框架 回归和抽取 分类 生成 思考模式 System 1: 快速，一次传递 System 1: 快速，一次传递 System 2: 缓慢，深思 输出类型 化类型的值：跨度、数字、日期、时间、列表、分布，带有校准的概率 化类型的决策：带有校准概率的选项 自由格式的字符串 输出空间 连续，但由您的架构类型化和界定 一组有限的选项 Anything 响应的内容是什么？ 数量是多少？ 何时发生？ 费用将是多少？ 这是哪个类别？是否合法？ 我们应该采取什么行动？ 发生的原因是什么？ 我们应如何处理？ 你能解决它吗？ 输出总是有效响应吗？ 是的：