Cloudflare 推出新的 AI 模型 Clauric，進一步擴展低延遲 System One 模型的應用範圍。這個模型的專長，是從電子郵件、收據照片這類格式不固定的資料中，直接擷取出開發者指定的欄位，速度比一般大型語言模型快上許多。
目前 Clauric 已經在 Workers AI 上提供預覽版，開發者可以開始試用。
具體來說，Clauric 可以依開發者指定的欄位，直接回傳金額、日期等資訊，也能計算資料中沒有直接列出的數值，或根據既有紀錄進行估算與預測。
它的定位與 Cloudflare 先前推出的 Clef 不同：Clef 主要用於做決策，例如從預設的退款或維修選項中選出處理方式；而 Clauric 負責找出訂單編號、付款金額這類無法預先列出所有答案的資訊。
使用方式也很直接：開發者指定需要哪些欄位，模型便直接回傳數字、文字或日期，不會像一般大型語言模型一樣逐字生成回覆，省下大量等待時間。
以客服郵件為例，Clauric 可以從信件內容找出交貨日期及商品售價，加上稅金算出付款總額，也能計算商品送達後經過了多少天。
如果郵件裡根本沒有提供物流追蹤編號，模型會回傳空值，明確表示沒有找到所需資訊。
對於從原文擷取的文字，模型還會標示出處位置及信心分數，方便系統自動找出需要人工再次確認的結果。
除了擷取資料，Clauric 也能根據相近案例估算沒有提供的數值。例如依類似房屋的成交紀錄推估房價時，模型會提供預測區間，呈現估算結果可能落在哪個範圍。
不過它也有弱點：目前仍不擅長連續多步驟的計算，對大量表格資料進行加總也可能出錯，這類任務還是要交給其他工具。
這種小模型做擷取、大模型做決策與寫作的分工，反映了 AI 應用正在從單一大模型包辦一切，走向多模型協作的架構思維。
為了展示實際效果，Cloudflare 以商品損壞的客服處理流程進行測試，安排了一套分工：Clauric 負責從客戶來信擷取資料並估算維修費，Clef 決定要退款還是維修，最後由大型語言模型 GLM-5.3 撰寫回覆給客戶。
官方公布的測試結果顯示，Clauric 完成資料擷取與估算只花了零點四六秒，而 GLM-5.3 執行相同工作需要十六點一秒。
整套流程耗時十九點三秒，相較於全部交給 GLM-5.3 處理的六十一點七秒，縮短了約六成九，估算成本也降低了四成九。
值得注意的是，這次測試刻意安排了三個模型各司其職：擷取與估算交給 Clauric，退款或維修的二選一決策交給 Clef，最後才由 GLM-5.3 把結果寫成給客戶的回覆。這種分工讓每個模型只做自己最擅長的事，也是整體流程能壓到十九點三秒的關鍵。
對開發者來說，另一個實用的設計是空值回傳：當資料中沒有所需欄位時，模型直接回傳空值，而不是硬湊答案。搭配信心分數與出處標示，系統可以自動把低信心度的結果挑出來人工複核，在自動化與正確性之間取得平衡。
這組數字點出了一個趨勢：把 AI 任務拆解，讓專門的小模型處理結構化擷取、大模型專心寫回覆，整體又快又便宜。對需要處理大量客服信件、表單的企業來說，這種分工架構很有吸引力。
計費方式上，Clauric 目前透過 Workers AI 提供預覽服務，依輸入資料量計費，不另外收取輸出費用。
Cloudflare 也計畫後續公開模型權重，供開發者自行下載使用，意味著未來企業可以把這個擷取引擎部署在自己的環境裡。
預覽版的實際穩定度與正式版的推出時程，將是後續觀察重點；模型權重公開後，社群會如何改造應用，也值得關注。
關鍵數字
速度：Clauric 完成擷取與估算耗時 0.46 秒，同樣工作交給大型語言模型 GLM-5.3 需要 16.1 秒。
整體流程：分工架構總耗時 19.3 秒，全用大模型則需 61.7 秒，時間縮短約 69%；估算成本降低 49%。
解讀：擷取類任務不需要大模型的寫作能力，用專門的小模型直接輸出答案，是又快又省錢的合理分工；不過模型不擅長多步驟計算與大量表格加總，導入時要把任務邊界劃清楚。
