Jev・Clefと何が違う？新AI「Clairic」の衝撃 Cloudflare

出典

Introducing Clairic, a new System One class of extraction models - Cloudflare

生成AIの「思考の遅さ」に疑問を持ち始めたエンジニアへ

「何でもLLMに頼めば解決する」という熱狂から、私たちは今、より実用性や効率性を重視するフェーズへと移行しつつあります。日々のプロダクト開発において、以下のような違和感を抱いたことはないでしょうか。

非構造化テキストから特定のデータを取り出し、後続のシステムへと受け渡すパイプラインは、Webサービスやエンタープライズ開発で最も頻繁に実装される処理です。

それにもかかわらず、私たちは自由な文章作成に最適化されたフロンティアモデルを動かし、余分なレイテンシと膨大なトークン費用を払い続けてきました。

この課題を打開する潮流として注目されているのが、認知科学の枠組みを取り入れた「System 1（速い思考）型モデル」です。

先行して登場したTypeSafe社の「Jev」やCloudflareの「Clef」に続き、CloudflareのAlex Reneau氏、Michelle Chen氏、Kevin Flansburg氏らのチームが新たなモデル「Clairic（クレイリック）」を発表しました。

本稿では、先行するJevやClefといった「決定モデル」との構造的な違いを軸に、Clairicがなぜデータ処理のブレークスルーになり得るのか、その深層を出典の情報を基に紐解いていきます。

「速い思考」の夜明け：JevとClefが示した「決定モデル」の革命

System 1モデルの基礎にあるのは、行動経済学者ダニエル・カーネマンが著書『ファスト＆スロー』で提唱した人間の二重認知プロセスです。

• System 1（速い思考）: 直感的、無意識、瞬時にパターンを識別する思考。

• System 2（遅い思考）: 論理的、意識的、多段階の手順を踏んで熟慮する思考。

私たちが日常的に触れているGPT、Claude、GeminiといったLLMは、1トークンずつ思考を重ねて文章を紡ぐ、まさに「System 2」の代表格です。

これに対し、TypeSafe社が公開して業界に大きな反響を呼んだ「Jev」、そしてCloudflareが発表した「Clef」は、AIの世界にSystem 1を持ち込みました。

JevやClefの役割は、機械学習における「分類（Classification）」であり、「System 1: Decide（決定モデル）」と呼ばれます。

ユーザーが入力文（state）と共に「事前に定義した有限の選択肢リスト（options）」を渡すと、モデルは一度の並列フォワードパス（Single Parallel Pass）で処理を行い、各選択肢に対する精緻な確率を瞬時に返します。

たとえば、「このメールはクレームか、問い合わせか、スパムか？」といったルーティング判定を、トークン生成を挟まずにミリ秒単位・低コストで判定できるのがJevやClefの真骨頂でした。

JevやClefでは解けなかった「決定モデルの限界」

しかし、JevやClefの実用化が進むにつれ、開発現場では新たな壁が立ちはだかりました。

CloudflareのAlex Reneau氏らは、LLMに送られている実際のAPIリクエストの多くが、あらかじめ選択肢を列挙できる質問ばかりではないことに着目しました。

これらはすべて、事前に選択肢を用意することが不可能なタスクです。

もしJevやClefのような決定モデルで無理に金額を推定しようとすれば、「100ドル以下」「100〜500ドル」「500ドル以上」といったバケット（階級）を人間が細かく設定しなければなりません。

しかし、バケットを増やせば入力トークンがかさみ、選択肢間の境界線でモデルの判定精度が落ちてしまいます。

つまり、従来のAIランドスケープには致命的な「空白地帯」が存在していたのです。

• 選択肢の中から1つを選ぶ（Classification）なら、JevやClefが速くて安い。

• 自由な文章や複雑な論理展開（Generation）なら、LLMが担う。

• しかし、「非構造化データから正確な数値を抜き出したり、連続値を推計したりする（Regression & Extraction）」ためのSystem 1モデルが存在しなかった。

このミッシングリンクを埋めるために開発されたのが、世界初のSystem 1抽出モデル「Clairic」です。

決定モデルと抽出モデル：アーキテクチャの決定的な違い

JevやClef（決定モデル）と、Clairic（抽出モデル）、そしてLLM（生成モデル）の特性の違いは、主に以下の3つの観点に集約されます。

1. 機械学習のタスク構造

• JevやClefは「分類（Classification）」を担い、あらかじめ提示された有限の選択肢の中から答えを選びます。

• 対するClairicは「回帰と情報抽出（Regression & Extraction）」を担い、連続的な数値やテキスト範囲そのものを予測します。

• 従来のLLMは「言語生成（Generation）」であり、トークンを1つずつ順番に生成していきます。

2. 出力空間と保証の仕組み

• JevやClefの出力空間は「離散的」であり、人間が定義した選択肢のいずれかに確率を割り振って返します。

• Clairicの出力空間は「連続的」ですが、開発者が指定したスキーマ（型や数値の境界）に厳密に縛られます。

• LLMの出力空間は「無限」の文字列であるため、JSONの構文破綻やハルシネーションを完全に防ぐことは原理的に困難です。

3. 何に答えるモデルか

• JevやClefは「どのカテゴリか？」「正当な請求か？」「どの措置をとるべきか？」という判断に答えます。

• Clairicは「金額はいくらか？」「いつ起きたか？」「数量はいくつか？」という事実や値に答えます。

• LLMは「なぜ起きたのか？」「どのように対応文を書くべきか？」という理由づけや言語化に答えます。

どちらも「トークン生成を行わず、入力トークンに対する単一パスのみで計算する」というSystem 1の恩恵を共有していますが、扱う対象が「離散的な決定」なのか「連続的な型付きの値」なのかという根本的な住み分けが存在します。

Clairicが持つ4つの出力能力：抽出から予測まで

Clairicは単なる文字の切り出しツールにとどまりません。

入力された非構造化データ（テキストおよび最大4枚の画像）に対し、単一の並列パスで以下の4種類の型付きデータを同時に処理します。

• 抽出値（Extracted values）:
  テキスト中の注文IDや顧客名などを抽出します。単なる文字列だけでなく、元の入力文の何文字目から何文字目に存在したかを示す「オフセット（スパン情報）」と「信頼度スコア」を伴って返されます。

• 計算値（Computed values）:
  ここが極めて強力な点です。例えばメール本文に「商品代金649ドル、税金52.10ドル」としか書かれていなくても、指示に応じて同パス内で加算を行い、「合計支払額701.10ドル」という正確な数値を導き出します。「9月28日に配達され、今日は10月9日」という文脈から「配達からの経過日数11日」を計算することも可能です。

• 推定値（Estimated values）:
  本文に直接記載されていない値を、周囲の根拠から推計します。不動産の成約事例から対象物件の価格を推定する際、LLMのように当てずっぽうの単一数値を返すのではなく、「中央値41.5万ドル、80%区間が37万〜47万ドル」といった分布を返します。不確実性が区間の広さとして可視化されるため、プログラム側で自動処理の是非を客観的に判断できます。

• 予測値（Forecasted values）:
  時系列データの履歴から、将来のステップの推移を予測します。空港の保安検査者数の実データを用いた21日間の実験では、平均誤差3.3%という精度を達成し、曜日ごとの規則性を自律的に捉えました。

該当する情報が入力に存在しない場合、LLMのように幻覚（もっともらしい嘘）を出力するのではなく、明確に `value: null` を返し、その確率（p_null）を提示します。

傾いたレシートの写真から小計や税額を抜き出す際にも、記載のなかった「割引額」を即座にnullと判定できる堅牢性を備えています。

3者が融合する「黄金の3層アーキテクチャ」

Cloudflareが提唱するアーキテクチャの真価は、Clairic、Clef（またはJev）、そしてLLMの3者を組み合わせた「カスケード接続」にあります。

ブログ内で示された「商品の破損クレーム対応」のベンチマークは、この設計の有効性を証明しています。

従来のように、1つの巨大なLLM（GLM-5.3）にメール読解から規約判断、返信文作成までを丸投げした場合と、3層カスケードで処理した場合の比較検証が行われました。

まず処理時間（レイテンシ）において、全行程をLLMに任せた方式は61.7秒を要しました。

対してカスケード方式は19.3秒と約69%短縮され、約3.2倍の高速化を達成しています。

Clairicによる抽出（0.46秒）とClefによる判断（0.22秒）は、合わせてわずか0.68秒で完了しています。

コスト面でも劇的な差が現れました。

出力トークン消費が最小限に抑えられた結果、100万件処理あたりのコストは11,740ドルから6,032ドルへと約49%削減されています。

さらに特筆すべきは、堅牢性とセキュリティの大幅な向上です。

全LLM方式では、プロンプトのわずかなブレで見積もり修理費が250ドルや220ドルと変動し、Gemma 4やQwenなどのモデルでは数値の導出自体に失敗しました。

一方、Clairicは常に再現性のある確実な数値を返し、Clefは安全な型付き要約のみを見て判断を下します。

LLMは生のメール本文を直接見ないため、悪意あるユーザーによるプロンプトインジェクション攻撃を物理的に遮断できるという極めて強力な防御メリットも生まれます。

限界を把握し、適材適所のシステムを組む知恵

もちろん、Clairicにも初期プレビュー版ゆえの制約が存在します。

開発チームも認めている通り、中間思考メモ（Scratchpad）を持たない単一パスモデルであるため、何段階もの複雑な数式計算や、巨大な表全体の集計処理は現時点では困難です。

また、時系列予測も専用の高度なモデルを完全に代替するものではありません。

しかし、重要なのは「何でもできる1つの巨大モデル」を目指すことではなく、「特性の異なるモデルを直列に組み合わせる」という設計思想そのものです。

• 連続値の抽出や推計は Clairic に任せる。

• 離散的な選択やポリシー判定は Jev / Clef に任せる。

• 最後の表現や対話だけを LLM に任せる。

この分業体制を確立することで、システムのレイテンシ、コスト、セキュリティ、そして保守性は飛躍的に向上します。

Cloudflareは今後、Clairicのオープンウェイト版の提供も計画しています。

単一のLLMにすべてを背負わせる重厚な構成から脱却し、System 1とSystem 2をスマートに使い分ける次世代のアーキテクチャ設計に、今こそ踏み出してみてはいかがでしょうか。

#エージェント #米株投資 - 関連記事の検索