脱・汎用LLM！コンピュータ操作を爆速化する軽量特化型モデル「CUA-S1」登場

Hacker Newsの皆さん、こんにちは！CuaのDillonとFrancescoです。私たちは、コンピュータ操作のタスクにおいて「本当にすべての工程で巨大な汎用LLM（gpt-6-astraやclaude-opus-5など）による推論が必要なのか？」という疑問を持っていました。計画立案やエラー復旧が必要なタスクがある一方で、「この値をここに入れる」「チェックを入れるか無視するか」といった、もっと局所的な判断だけで済むタスクも多いからです。そこで、こうした単一の判断に特化した小型モデルでどこまで行けるか試してみました。着想を得たのはTypesafeのJevと「システム1モデル」という考え方です。これはダニエル・カーネマンが提唱した、直感的な「システム1」と分析的な「システム2」の思考の対比に基づいています。私たちが試したのは、「現在のコンテキストと選択肢を与え、各選択肢の確率を出力させる」というモデルです。これはトークン単位の生成を行うのではなく、選択肢をスコアリングすることで動作を決定します。CUA-S1はその答えであり、今回リリースした第1弾「CUA-S1-FORMS」は、フォーム入力操作に特化しました。パラメーター数はわずか706k、モデルサイズは2.8MBと超軽量です。合成データを用いた最初のトレーニングは30分以内に完了しました。このモデルはスクリーンショットを扱わず、抽出された構造データに基づき、値を入力すべきか、クリックすべきか、スキップすべきかを予測します。精度検証では、既存のホスト型Jevと比較して、全体で99.7%（対83.6%）、アクションが必要なステップでは100%（対96%）の精度を叩き出しました。推論速度もローカルで7-9msと爆速です。私たちが目指しているのは、柔軟性に欠けるスクリプトと、何でも屋の汎用エージェントとの間の領域です。フォームのようにレイアウトが頻繁に変わるタスクでも、判断基準自体は限定的です。今後は汎用エージェントが未知の状況に直面した際、特定の判断をこうした特化型モデルに委ねるような仕組みを模索したいと考えています。現在はフォーム用のみですが、合成データ生成から学習、評価、ドライバー統合までをMITライセンスでオープンソース化しました。コンピュータ操作エージェントを開発中で、「LLMを呼ぶほどではないがスクリプト化も難しい」という繰り返し発生する判断に悩んでいる方は、ぜひフィードバックをください！

誰か、どんなサイトでもCookie同意のポップアップを自動で消してくれる汎用的なアドオンを作ってくれないかな :)

これって、フォーム入力用、Wikipedia用、Final Cut用みたいに特化したモデルをたくさん用意して、親モデルがどれを使うか選ぶ（あるいは選定専門のモデルを挟む）みたいな構成かな？LLMが大きな目標を提示して、タスクを素早くこなすためにこの専門家たちのカスケードを起動させるっていう考え方だよね？

CUAを使ってGrok Botみたいなシステムを構築することってできるの？

Typesafe Jevへの言及を読んだんだけど、RLCDを使うことを示唆してるの？それともまだRLHFなのかな？