用 CUA-S1-FORMS 这种小模型跑表单决策比调用通用 LLM 快了快 30 倍

不用 gpt-6-astra 或 claude-opus-5 这种巨无霸模型去处理每一个简单的点击或勾选，通过 CUA-S1-FORMS 这种只有 706k 参数的专项模型，在处理表单决策时的准确率能达到 99.7%，且本地评分耗时仅 7-9 ms。

为什么不直接用通用大模型做 Computer Use

很多电脑操作任务其实不需要复杂的逻辑推理，不需要模型去思考一个宏大的计划或在失败后尝试新路径。很多时候，AI 面对界面时只需要做一个局部决定：这个值是不是该填进这个框？这个勾选框要不要点？这个元素是不是该忽略？

用几千亿参数的模型去算这些简单的「是或否」太浪费了。CUA-S1 的思路就是把「快思考（System 1）」和「慢思考（System 2）」分开。它不走传统的 token 逐个生成路线，而是给它当前上下文和一组选项，让它给每个选项打分（返回概率）。这种方式不仅速度极快，而且结果是可校验、可信任的。

CUA-S1-FORMS 的实测表现如何

这次发布的 CUA-S1-FORMS 专门处理表单交互，模型体积非常小，原始检查点只有 2.8 MB。它在训练时使用了合成数据，且训练时间极短，一次迭代不到 30 分钟。

它的工作逻辑是：给定一组从文档中提取的结构化元素和数值，预测对每个元素的操作应该是使用该值、CHECK（勾选）、CLICK（点击）还是 SKIP（跳过）。需要注意的是，它不负责预测文本框的新值，也不看截图。

我对比了 CUA-S1-FORMS 与托管版 Jev 在表单任务上的数据，结果非常惊人：

• 整体决策正确率： CUA-S1-FORMS 达到了 99.7%，而 Jev 只有 83.6%
• 需要执行动作的步骤： CUA-S1-FORMS 100% 正确，Jev 是 96%
• 处理已填充字段（应选择跳过）： CUA-S1-FORMS 100% 正确，Jev 仅 74%

在速度上，本地评分一个表单只要 7-9 ms，而调用托管版 Jev（含网络延迟）需要 260-280 ms。虽然这不是端到端的完成时间，但量级上的差距非常明显。

怎么把这个方案落地到自己的 Agent 中

CUA-S1 尝试填补「脆弱的脚本」和「通用 Agent 循环」之间的空白。脚本太死板，面对变动的布局会崩溃；而通用 Agent 又太重。理想的状态是：通用 Agent 负责处理新奇的复杂场景，而把那些定义明确、范围狭窄的决策交给像 CUA-S1 这样的专项模型。

目前这个项目已经开源，包括合成数据生成、训练、评估以及 Driver 集成，使用的是 MIT 协议。

如果你想尝试，可以在 libs/cua-s1 路径下找到相关代码。对于开发者来说，最核心的逻辑是让模型对选项评分，然后由你的代码决定执行顺序，最后交给 Cua Driver 一个个执行。

# 这里的核心逻辑是模型输出概率分布而非文本
# 示例：对元素 A 的操作概率 -> {USE: 0.1, CHECK: 0.05, CLICK: 0.05, SKIP: 0.8}
# 你的代码识别到 SKIP 概率最高 -> 执行跳过操作

这种专项化训练的实验证明，只要范围足够窄，极小规模的模型在特定任务上不仅能吊打通用模型，还能把延迟降低到几乎感知不到的程度。