Cloudflare Clairic 與大型語言模型完整指南：文件抽取、速度與成本

很多人第一個會先想到，用大型語言模型（LLM）讀文件，再要求它輸出欄位。這種方法能處理多種任務，但若需求只是從大量格式不一的文件裡找出日期、金額、姓名或編號，值得先問：系統要擷取已知欄位，還是要理解脈絡、推理並撰寫內容？依 Cloudflare 公告，Cloudflare 推出的 Clairic 將前一類工作交給專用抽取模型處理，並宣稱比傳統 LLM 更快、更省成本；實際是否適用，仍要看文件品質、欄位定義和整段流程的表現。

一、文件抽取要先分清楚找欄位與理解內容

文件抽取把非結構化文字或影像轉成預先指定的欄位，LLM 則更擅長解釋脈絡、推理與生成文字。選工具前先確認輸出是欄位值，還是需要一段有脈絡的回答。

發票可能有不同版面，合約也可能因公司、年份而改變格式，但系統需要的欄位往往固定，例如發票號碼、開立日、含稅金額與付款期限。輸入是未整理的文字或影像，輸出則是欄位名稱、型別及其值，這就是結構化資料抽取。欄位清單可預先定義，文件版面與用詞卻不一定規則。

「擷取」「計算」「估計」和「生成」也要分開看。擷取是找到原文裡的姓名或金額；計算是依發票日期和付款條件算出到期日；估計是從線索推測尚未明說的數值；生成則是整理一段說明或回答「這份合約有哪些風險」。前幾種可設計成固定型別，最後一種通常需要較多上下文和自由文字。

二、Clairic 如何把指定欄位轉成型別化結果

Clairic 接收文字或圖片，以及開發者設定的欄位規格，回傳對應型別的答案。部分文字欄位會附來源位置與信心資訊；缺乏足夠依據時，結果也可能是空值。

Cloudflare 的範例把發票內容作為輸入，再指定發票號碼、到期日、金額、聯絡人等欄位。欄位可以是文字、數字、日期、清單，也可以是有上下限的估計值。這個介面適合「要什麼值」已經說得清楚的工作；若欄位定義含糊，模型也無從替組織決定業務規則。例如「總額」要不要包含運費、稅金或折扣，應先由資料使用者定義。

型別化輸出可減少後續程式解析格式的工作。文字答案可能附上來源字元範圍，方便回到輸入檢查；日期和數字會依指定型別輸出。信心分數與空值機率能協助安排覆核順序，但分數仍須透過實際資料集校準，不能單獨當成正確保證。對付款、核准等會造成實際影響的操作，仍要設計第二道驗證或人工確認。

Cloudflare 官方文件標示 Clairic 支援影像輸入；實際可用格式及請求限制仍應依 API 文件確認。若原始資料是掃描文件，系統仍可能需要影像整理、頁面拆分或轉檔等前處理，不能假設模型會直接處理任意 PDF 網址並完成全套文件辨識。產品功能與服務條件應以Clairic 模型文件為準。

「型別正確，不代表答案正確。」Cloudflare 的抽取模型指南提醒，結果即使符合欄位型別與限制，仍可能回答錯誤；高影響流程應搭配其他證據或人工覆核。

三、速度與推論成本要放回相同工作流程比較

Cloudflare 表示 Clairic 在其比較情境中較快、成本較低，但這是廠商發布的主張，不能直接推廣到所有文件、模型與工作流程。應使用相同輸入、欄位和品質門檻，測量整段流程。

Cloudflare 將 Clairic 描述為單次前向處理、不生成輸出文字 token（詞元）的模型，並稱其通常能在一秒內回應；文章也以相同任務下的傳統 LLM 作比較。這能說明產品設計目標和廠商測試結果，無法代替外部基準測試。比較是否公平，還取決於 LLM 型號、提示詞、輸出 token 數、重試次數，以及兩邊是否達到同一個欄位正確率。

成本同樣不能只看每次推論的標價。文件抽取管線可能先做掃描、影像壓縮、光學字元辨識（OCR）或格式轉換，接著執行模型，再把低信心或錯誤案例送給人員核對。若欄位定義要不斷調整、系統必須重試，或錯誤值造成高額損失，省下的模型費用可能被整合和覆核工作抵銷。Cloudflare Workers AI 的定價與計費方式也會調整，估算時應查看官方定價頁當下條件，並計入自己使用的模型和流量。

延遲測試也要固定起點和終點。若只計模型收到文字後到回傳欄位的時間，便沒有涵蓋讀檔、轉圖、網路傳輸、佇列等待和人工放行。大量文件批次處理時，還要觀察尖峰流量、逾時、服務限流與重試後的等待時間。讀者真正感受到的通常是「上傳後多久能接著做下一步」，而非單一模型的理想回應時間。

公平比較可先固定文件樣本、欄位定義和正確率門檻，再測各方案到達門檻所需的總成本。若一個系統速度快但漏掉重要欄位，另一個較慢卻大幅減少人工核對，單看平均延遲就會得到錯誤結論。結果應按文件類型和欄位拆開檢視，才能知道改善來自模型本身，還是前處理與流程設計。

Cloudflare 將 Clairic 定位為「從非結構化輸入擷取、計算、估計或預測指定欄位」的模型；這說明它針對的任務範圍，並不等於每種文件都已證明更快或更準。

四、專用抽取模型和大型語言模型各有適用工作

欄位固定、重複量大且答案可核對的任務，適合評估專用抽取模型；需要摘要、解釋、跨段推理或自由文字時，LLM 通常更合適。也可把抽取和生成安排在同一條流程的不同環節。

評估面向	專用抽取模型	大型語言模型
輸出	依欄位規格回傳文字、日期、數字、清單或估計值	可回傳結構化資料，也能撰寫自由文字
較合適的工作	固定欄位、高重複量、可對照原文	摘要、解釋、跨段理解、開放式問答
主要檢查點	漏抽、誤抽、型別與信心資訊是否符合資料	回答是否受提示影響、內容是否忠於來源、格式是否可解析
導入負擔	欄位規格、文件前處理、例外與覆核流程	提示設計、輸出驗證、重試與模型版本管理

此表整理兩種模型的任務差異，不代表性能排名。專用模型將工作範圍收斂到預定欄位，可能減少生成式文字輸出與剖析負擔；LLM 則適合欄位本身需要先被理解或歸納的任務。若合約需要先抓出當事人、金額與日期，再解釋條款含意，可先抽取明確欄位，再交由 LLM 產生供人檢閱的摘要。中間每一步仍要保留來源與檢核方式。

供應商鎖定也屬於成本。Clairic 目前透過 Cloudflare Workers AI 提供，開發團隊應確認資料傳送方式、服務可用區域、服務條款、版本變更與替代方案。依公告當時的說法，Cloudflare 有意近期釋出開放權重；這是當時的計畫，不代表目前已有可供自行部署的權重，採用前應以官方文件確認現況。

五、導入前用自有文件檢查品質與整合成本

先挑出能代表日常格式與例外狀況的文件，逐欄建立人工核對答案，再用相同資料比較欄位錯誤、延遲、覆核工作量與全流程成本。測試結果要能反映真正的使用條件。

小型評估集不必一開始涵蓋所有文件，卻要包括常見版型、掃描品質較差的頁面、缺欄位案例、不同語言和特殊格式。每個欄位先寫清楚判讀規則，例如含稅或未稅、合約生效日或簽署日。由熟悉業務的人建立答案基準，避免把模型輸出當成標準答案。

文件還可能包含個人資料、商業機密或付款資訊。評估前要先確認哪些資料可以傳往外部服務、是否能使用去識別樣本、請求與輸出會如何記錄，以及哪些人員可查看覆核結果。不同場景的保留期限與存取權限可能不同，這些治理條件需要和資訊安全、法務及資料負責人共同確認。技術測試通過，仍需符合組織的資料處理要求。

接著至少記錄四類結果：欄位完全正確的比例、漏抽和誤抽的比例、從文件進入到結果可用的端到端延遲，以及每份文件所需的模型、前處理、重試和人工成本。若不同欄位的重要性不同，應分欄統計，不能讓容易抽取的低風險欄位掩蓋關鍵金額或日期的錯誤。也要追蹤空值、低信心與格式不符時，系統會如何暫停、退回或要求人工處理。

最後要把失敗流程也納入演練。遇到空值、模型逾時、影像無法讀取或欄位格式不合時，系統應留下足夠資訊讓人員重試或改用既有方式處理。若模型版本更新，應再次跑過固定評估集，確認品質沒有明顯變化。先在有限批次保留人工抽查，能讓團隊看見真實錯誤類型，再逐步調整欄位規則和覆核比例。

1. 蒐集一批涵蓋常見格式與例外情況的自有文件，並標記每個欄位的正確答案。
2. 讓候選方案處理完全相同的文件，分欄統計正確、漏抽、誤抽、空值與需要人工覆核的案例。
3. 將影像整理、模型呼叫、重試、人工覆核和維護都納入單份文件總成本與端到端時間。
4. 確認預覽服務的可用性、資料處理條件、系統介接方式與失敗時的人工流程，再決定試用範圍。

Clairic 的預覽版（preview）狀態也會影響上線判斷。預覽期間功能與條件可能變動，採用前應確認服務持續性和資料治理安排；先從可回復、錯誤成本較低的流程開始驗證，再決定是否擴大。完整抽取模型設計建議和限制，可參考Cloudflare Workers AI 文件；其中提醒信心分數與預測區間不等於保證，也建議依錯誤後果設置檢查。

六、常見問題：Clairic 能取代大型語言模型嗎？

Clairic 聚焦抽取、計算、估計與預測欄位，無法據此推論它能取代 LLM 的摘要、解釋和開放式生成工作。是否同時採用兩種模型，取決於流程各步需要的輸出。

常見問題

Q1：Clairic 適合掃描檔或影像嗎？

官方文件標示模型支援影像輸入；可用格式與每次請求限制應以 API 文件為準。文件前處理仍是使用者系統的工作；若原始資料是多頁 PDF，需先確認如何轉成可接受的圖片或文字，再用真實掃描品質測試。

Q2：信心分數高，就代表欄位正確嗎？

不代表。信心資訊是模型對輸出的估計，應使用人工核對資料檢查它與實際正確率的關係。涉及付款、合約或權益判斷時，依錯誤可能造成的後果設計覆核門檻。

Q3：預覽服務導入前要確認什麼？

確認目前可用性、資料傳輸與保留條件、價格和配額、輸入限制、版本更新方式、既有系統介接及替代方案。再用相同文件比較欄位正確率、漏抽與誤抽、延遲、覆核量和整體成本，逐步決定導入範圍。

• Clairic 面向有明確欄位規格的抽取、計算、估計與預測工作，目前以 Workers AI 預覽服務提供。
• Cloudflare 的速度與成本比較屬於廠商發布的測試主張，應以自有文件和一致條件驗證。
• 型別與信心分數不保證答案正確；評估時要納入人工覆核、前處理、例外處理與系統整合成本。