表单交互场景下，706k 参数模型为何能打破通用大模型的速度极限？
在开发自动化 Agent 时，开发者常会陷入“重火力”思维误区：无论任务复杂度如何，都倾向于使用 gpt-6-astra 或 claude-opus-5 等超大规模模型，试图通过通用能力覆盖所有场景。然而，在 Computer Use 或表单交互场景下，这种做法不仅延迟高昂，成本也难以承受。以 CUA-S1-FORMS 为例，其 706k 参数 的专项小模型在处理表单决策时，不但达到 99.7% 的准确率，本地评分耗时仅为 7-9 ms，相较于托管通用模型的 260-280 ms 实现近 30 倍加速，且在 跳过已填充字段 的决策上，其 100% 正确率 远超对比基准 Jev（74%）。
为何通用大模型在表单填充场景下表现不及小模型？
传统 Agent 架构通常采用“截图 → 发送给 LLM → 思考计划 → 输出动作 → 执行”的循环模式，这种设计在复杂逻辑推理任务中表现优异，但在表单交互场景下却显得 资源严重错配。表单交互的核心需求是 局部二元决策，例如：
- 该数值是否应填入当前输入框？
- 勾选框应点击还是保持原状？
- 元素是否为干扰项（应跳过）？
让 数千亿参数 的模型处理这些简单的 是/否判断，不仅效率低下，还加剧了成本压力。而 CUA-S1-FORMS 的核心创新在于 评分机制：它不生成文本，而是直接对预设操作选项（如 USE、CHECK、CLICK、SKIP）进行 概率打分，返回结果可量化且 无幻觉风险。这种设计避免了通用模型的 冗余输出，并通过 本地化决策 实现 亚毫秒级响应。
专项小模型在训练与部署上的优势
与通用模型不同，CUA-S1-FORMS 的 原始检查点（checkpoint） 仅占 2.8 MB，训练阶段利用 合成数据 进行单次迭代的时间不足 30 分钟。其工作流程也完全不同于通用模型：
- 不预测文本：它不生成新的输入值，而是基于 结构化元素 和数值，直接预测 操作类型。
- 跨平台兼容：通过开源的 cross-OS 驱动器（Driver） 支持，能够在 Windows、Linux 等操作系统 上无缝集成，无需额外的跨平台适配成本。
- 端到端开源：项目在 GitHub - trycua/cua 上全面开源，涵盖 合成数据生成、模型训练、评估和跨平台驱动器 的完整链路。这意味着开发者可以 自定义训练数据 并快速迭代，而无需依赖云端 API。
如何在 Agent 中有效集成 CUA-S1-FORMS？
在实际应用中，CUA-S1-FORMS 并非完全替代通用 Agent，而是 专注于定义明确的子任务。理想的架构分工如下：
- 通用 Agent 处理 复杂推理、新奇场景（如异常截图分析）。
- CUA-S1-FORMS 专注于 表单交互、重复性决策（如 USE/SKIP 判断）。
集成流程的关键在于：
- 模型输出概率分布（如
{USE: 0.1, SKIP: 0.8}），而非自然语言指令。 - 业务代码识别最高概率操作（如 SKIP），并交由 Cua Driver 执行。
- 跨平台执行：由于 Driver 支持 cross-OS，执行逻辑无需针对特定操作系统调整。
例如，当模型预测某元素的 SKIP 概率为 0.8 时，业务逻辑直接跳过该步骤，无需额外的 反思或验证。
实践意义与未来展望
此次实验证明：当任务范围足够狭窄时，极小规模模型（如 706k 参数）在 特定任务上 的表现不仅 速度快于通用模型，更能 降低延迟至用户感知阈值以下。在追求 Agent 实时性 的背景下，CUA-S1-FORMS 等专项小模型为 高效自动化 提供了可行路径。未来，类似的 微型化设计 或将在更多 结构化交互场景（如 文档处理、游戏操作）中得到应用。
项目地址：GitHub - trycua/cua
全部回复 （4）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
这种路由机制早就被试过了，但要是路由模型本身就产生 5% 的误差，后面全得跟着跑偏。正如在 Computer Use 或自动化表单填充场景中，开发者往往将每一次点击、每一个勾选框的判断都扔给 gpt-6-astra 或 claude-opus-5 这类巨型模型。虽然逻辑链条完整，但带来的延迟令人绝望，成本也高得离谱。通过实测 CUA-S1-FORMS 这一专项小模型，可以清晰看到：在特定场景下极致压缩模型规模，效果反而会显著提升。该模型仅含 706k 参数，在处理表单决策时准确率达到 99.7%，本地评分耗时仅为 7-9 ms。相较于托管通用模型，其速度提升近 30 倍，为产品体验带来了质变。
这就得等谁出个全平台通用的插件了，不然现在还得给每个浏览器装一遍 uBlock Origin 麻烦死。通过实测 CUA-S1-FORMS 这一专项小模型，可以清晰看到：在特定场景下极致压缩模型规模，效果反而会显著提升。该模型仅含 706k 参数，在处理表单决策时准确率达到 99.7%，本地评分耗时仅为 7-9 ms。相较于托管通用模型，其速度提升近 30 倍，为产品体验带来了质变。
（深吸一口气，双手用力拍在键盘上，屏幕上的代码行瞬间被我删除）哈，哥们儿，你这问题问得好啊，CUA顶多是皮毛，想复刻 Grok 那种实时性，得解决X API的调用延迟才行。想想看，落地Agent时，我们总爱用重火力覆盖，无论任务大小，一律扔给gpt-6-astra或claude-opus-5，虽然逻辑链条完整，但延迟让人绝望，成本高得离谱。通过实测CUA-S1-FORMS，我们能看到，在特定场景下极致压缩模型规模，效果反而显著提升。该模型仅含706k参数，在处理表单决策时准确率达到99.7%，本地评分耗时仅为7-9ms，相较于托管通用模型，速度提升近30倍，为产品体验带来质变。CUA-S1的核心设计理念是将心理学中的“快思考（System1）”与“慢思考（System2）”彻底解耦。传统LLM遵循逐token生成模式，虽然自然文本生成流畅，但决策速度慢且稳定性差。CUA-S1采用评分机制：不生成文本，而是接收当前上下文与预设选项，对每个选项进行打分（返回概率分布）。这种方式不仅速度极快，结果更可量化、可校验、可信度高，从而规避了通用模型常见的“幻觉”与冗余输出。本次发布的CUA-S1-FORMS专攻表单交互领域。其体积极小，原始检查点（checkpoint）仅占2.8MB。训练阶段效率显著，利用合成数据进行单次迭代的时间不到30分钟。其工作逻辑清晰：不预测文本框的新值，也不分析复杂截图。它接收从文档中提取的结构化元素及数值，并预测对每个元素的操作类型：使用该值（USE）、勾选（CHECK）、点击（CLICK）或跳过（SKIP）。与托管版Jev在相同表单任务上的数据对比显示：1.整体决策正确率：CUA-S1-FORMS达99.7%，而Jev为83.6%。2.需执行动作的步骤：CUA-S1-FORMS正确率100%，Jev为96%。3.处理已填充字段（应选跳过）：CUA-S1-FORMS正确率100%，Jev仅为74%。速度层面的差异更为直观。在本地环境中，CUA-S1-FORMS完成一个表单评分仅需7-9ms；而调用托管版Jev（含网络延迟）需260-280ms。尽管这并非端到端的
这都讨论到 RLHF 了，还在纠结是否要用大模型处理每一个交互细节？直接试试 DeepSeek-V3 结合 CUA-S1-FORMS 的组合方案吧——前者负责宏观决策（如任务分解、异常处理），后者专注于微观操作（如表单填充、点击判断），在本地环境下，后者每个决策仅需 7-9 毫秒完成，而通用模型往往需要 200 多毫秒，速度差距明显。这样既保留了灵活性，又避免了不必要的延迟和成本浪费。