模型信息
- 提供方: system-one.dev
- 每 4KB 输入 2 积分
- 输入：文本、JSON 与图片（PNG、JPEG、WebP）
- 图片：最多 4 张 · 每张 4MB · 合计 8MB
- 发布于 2026-10-19
用途
- 发票字段提取：从发票文本或截图里取出金额、开票日期、发票号码，通常带置信度。详见发票小票信息抽取。
- 订单邮件：取订单号、数量、交付日期，确定不了的字段返回 null，不会被直接填进 value。
- 工单信息整理：取产品名、报错时间、影响时长，再交给 Jev 或 Clef 判断交给哪个团队。
- 先抽取、再决策：Clairic 取值，Jev 或 Clef 在你列出的选项里做决定，需要回复时再交给生成式模型。详见 Clairic 和 Jev、Clef 怎么选。
- Agent 前置步骤：把用户消息里的关键值先结构化，再让 Agent 根据这些值做路由或判断。图片输入见截图转 JSON。
- 客服投诉邮件（官方博客里的例子）：一封投诉邮件里，取出订单号、送达日期、实付总额、从送达到写邮件过了几天，以及损坏情况列表。实付总额邮件里没有直接写，是把 649 和 52.10 的税费当场相加得到 701.10；天数 11 天也是用两个日期算出来的；损坏情况“屏幕碎裂”“外壳凹陷”各自带在原文里的位置。邮件里没有物流单号，所以这一项返回 null，而不是编一个。
- 歪斜、模糊的小票照片（官方博客里的例子）：从一张拍歪、字迹不清的小票照片里取出订单号、购买时间、数量、单价、小计、税费和小费。小票上没有折扣，折扣一项返回 null。和 OCR 的区别见OCR 与 AI 字段抽取。
- 根据可比成交估算房价（官方博客里的例子）：给出几套可比房屋的成交记录，用 estimate 估算目标房屋的价格，返回中位数和 80% 区间，也就是 p10–p90。区间越窄，说明输入越能支撑这个估计；区间越宽，越该再查一遍。
- 机场每天的安检人数预测（官方博客里的例子）：把历史每日安检人数作为文本传入，用 forecast 预测下一天。它能从数字里看出每周的规律，但看不出节假日这类序列里没有体现的事件。官方博客说，预测功能只适合不关键的、粗略的规律判断，不能替代专门的时间序列模型。
- 三步处理理赔（官方博客里的例子）：Clairic 从邮件里取值，并用 estimate 估算维修费用的区间；Clef 对照政策在“退款”和“维修”之间做决定：维修费用低于售价的 60%，而且损坏不影响使用时优先维修，否则退款；最后由大语言模型写回复。第二步看到的是结构化的值，而不是原始邮件，所以不容易被邮件里的措辞带偏。
官方来源
最近更新 2026-10-21
打开 GET /v1/models · 开发者文档 · 在线试用（需登录）
常见问题
- Clairic 是大语言模型吗？
- 不是。它不生成文本，只返回类型化的值。
- Clairic 能返回哪些类型的值？
- 共 9 种：text、number、date、time、datetime、duration、list、estimate、forecast。每个答案一定有 value；confidence、p_null 是可选的，比如 estimate 和 forecast 类型不带。estimate 可选返回 99 个分位数。
- 找不到值时返回什么？
- 找不到的值会返回 null，这时 guess 里仍可能有值。
- Clairic 能处理哪些输入？
- 文本、JSON，加最多 4 张图片（每张不超过 4 MiB，合计不超过 8 MiB，不支持远程图片 URL）。上下文窗口 65,536 tokens。字段数量不设上限，一次处理放不下的字段会拆开并行处理。可选 reference_date，用来确定没写年份的日期属于哪一年。具体限制见本页模型信息。
- 有哪些局限？
- 官方博客说，预览版的长链计算和多行聚合还不可靠；多步预测会趋向平均值；格式对不代表内容对。上生产前请用自己的样本测，并用 confidence 和 p_null（有返回时）设阈值。
- Clairic 和 Jev、Clef 有什么区别？
- Clairic 回答“值是多少”；Jev、Clef 是决策模型，回答“选哪个”。两者可以串联：先抽取，再决策。
- 怎么计费？
- Clairic 怎么收费：请求内容每 4KB 算一块，不足 4KB 按一块算；每块 2 积分。一次请求只收一次，抽取多少个字段都一样。这和 Jev、Clef 不同：它们的费用还要乘以问题数。详见 定价。