发票进去、字段表出来:Cloudflare 开源 Clairic,13 类字段自带置信度

发票进去、字段表出来:Cloudflare 开源 Clairic,13 类字段自带置信度

前天
duguying
2 阅读
来源:HuggingFace

Cloudflare 开源 27B 多模态结构化提取模型 Clairic:字段级类型、置信度、弃答概率和字符级证据 span 做成一等接口,估计与预测字段也能声明范围直接出分位数。

相关标签

#HuggingFace#人工智能#Cloudflare#信息提取#开源模型

发票进去、字段表出来:Cloudflare 开源 Clairic,13 类字段自带置信度

让大模型”把发票抽成 JSON”这件事,业内普遍的做法是写个提示词、祈祷输出能被解析。Cloudflare 最近开源的 27B 多模态模型 Clairic 换了一条路:把”字段级提取”做成一等接口——每个字段独立定义类型和规则,返回的每个值都带着自己的置信度和弃答概率。

Clairic 基于 Qwen3.8-27B 训练(该底座本身已开源,Clairic 在其上新增了类型化输出组件),属于 Cloudflare 的 System One: Extract 请求范式。用法是给它三样东西:一段文本或 JSON 形式的”状态”(state)、可选的图片或 PDF,以及一张字段规格表(fields)。输出就是按字段名组织的类型化答案——支持 text、number、date、time、datetime、duration、boolean、enum、object、list、compute、estimate、forecast 共十三种类型,数字字段还能指定单位和舍入位数。

模型卡里的示例很直观:一段发票文本进去,vendor(文本)、total(两位小数的数字)、issued(日期)、items(按序文本列表)四个字段同时出来。换成收据照片也能走通——图片、内嵌 base64、PDF 页面都接受,只是有”4 张/页”的上限,单个嵌入不超过 4 MiB、合计 8 MiB。

两个设计细节值得注意。其一是评分体系:标量字段的回答携带 valid、complete、全序列置信度,以及独立打分的 p_null(弃答概率),匹配到的文本证据还会给出字符级 span;这些都标注为模型概率,模型卡明确要求应用侧自己设定接受阈值,并检查 truncated 标志再决定信任程度。其二是”抄原文”与”用知识”的开关:source_only: true 强制只返回原文里印着的数字、日期或列表,knowledge: true 才允许模型动用背景知识——把幻觉风险控制交给了调用方。

estimate 和 forecast 类型是意外的加分项:估计字段要求声明取值范围,预测字段还要声明 horizon 和间隔,可选返回分位数。模型卡给的例子是七天需求数字(41、45、43、47、49、46、48),请求”次日估计”和”未来三天预测”,模型返回带分位数的预测路径——提取模型顺手把轻量数值预测也接了。

工程侧的约束由 xgrammar 通过 Transformers 的 logits 处理器施加,保证输出可解析;异步调用支持取消,取消时会先清空已认领的任务再放行新请求。运行时就是 PyTorch 加 Transformers,仓库里带了本地 Python 请求助手,下载权重即可在单卡 CUDA 环境跑起来。

权重以 Apache-2.0 发布,家族里另有一个更轻的 Clairic Flash。对做发票、单据、工单抽取,或者需要在报告里给每个数字标注”这个值有多可信”的团队来说,这是一个可以直接抄作业的接口设计——即便不部署模型,”字段级置信度 + 弃答概率 + 字符 span”这套响应规范本身也值得借鉴。

模型地址:https://huggingface.co/Cloudflare/clairic

返回列表

更多资讯

想看更多优质内容?

浏览所有资讯