Show HN 본문에서 Cua 팀은 계획·탐색·실패 복구가 필요한 일은 GPT-6 애스트라·오푸스 5 같은 범용 모델에 맡기고 '이 값을 이 칸에 넣을지' 같은 좁은 판정은 작은 전용 모델이 맡게 하자는 발상으로 만들었다고 적었는데, 이 모델은 문서에서 추출한 폼 요소와 값 목록을 받아 요소마다 값 사용·CHECK·CLICK·SKIP 에 확률을 매길 뿐 새 텍스트를 생성하지도 스크린샷을 보지도 않아요. 허깅페이스 모델 카드 기준으로 파라미터 706,048개·체크포인트 2.8MB 짜리 바이트 단위 2층 트랜스포머 인코더를 합성 폼 1만 건으로 30분 안에 학습했고, 같은 폼 과제에서 미세조정 없는 타입세이프 호스팅 제브 API 와 견줘 전체 판정 99.7% 대 83.6%, 이미 채워진 칸을 그냥 두는 판정은 100% 대 74% 였으며, 로컬 채점 7~9ms 대 제브 호출 260~280ms 는 팀 스스로 재는 대상이 달라 전체 소요 시간이 아니라고 단서를 달았어요. 타입세이프와는 제휴가 아니라 제브의 System One 개념을 영감으로 삼고 제3자 개발자 vinnylarouge 의 MIT 프로젝트 jevlike 코드를 가져다 만든 관계이고 RLCD 보정도 하지 않았으며, 라이선스는 허깅페이스 카드가 MIT 태그를 달았지만 저장소 libs/cua-s1 README 는 MIT 가 향후 공식 가중치에는 적용되지 않고 상업 운영에는 별도 계약이 필요할 수 있다고 적어 두 문서가 다르게 말해요.
- System One
- 카너먼의 빠르고 자동적인 사고(시스템 1)에서 딴 이름. 타입세이프가 문장 생성 대신 정해진 선택지에 확률만 매기는 모델을 부르는 말
- RLCD
- 타입세이프가 제브 보정에 썼다고 밝힌 학습 방법. 내용은 공개되지 않았다
- 파라미터
- 모델이 학습으로 정하는 수치의 개수. 수십억 개인 LLM 과 달리 이 모델은 70만 개 정도
- 체크포인트
- 학습된 모델 가중치를 저장한 파일
브라우저·데스크톱 자동화에서 폼 채우기처럼 선택지가 정해진 판정을 매번 LLM 에 보내고 있다면, 이 저장소의 합성 데이터 생성·학습·평가 코드로 자기 폼에 맞는 전용 채점기를 몇십 분 안에 만들어 볼 수 있어요. 다만 이 모델은 추출기가 이미 찾은 값 가운데서만 고르고 실제 폼 평가는 3개 폼·196개 판정뿐이라 자기 폼으로 다시 재야 하고, 가중치를 상업 서비스에 넣기 전에는 허깅페이스 카드의 MIT 와 저장소 README 의 별도 계약 문구 가운데 어느 쪽이 그 체크포인트에 해당하는지 Cua 쪽에 확인하는 것이 안전해요.
- 모델 카드 (허깅페이스) 706,048 파라미터·2.8MB 의 바이트 단위 2층 인코더로, 합성 테스트 99.95%·실제 데모 폼 196개 판정 100%·문맥을 섞은 대조군 37% 를 표로 냈고, 추출기가 찾은 값 가운데서만 고르며 영어 중심 어휘이고 타입세이프의 RLCD 로 보정하지 않았다는 한계를 적었어요. Hugging Face
- 저장소 라이선스 문구 libs/cua-s1 README 는 이 구성 요소를 가중치 없는 소스 전용 공개라 부르고, MIT 는 소스 코드에만 적용되며 향후 공식 가중치·데이터셋·호스팅 서비스에는 적용되지 않고 상업 운영에는 별도 계약이 필요할 수 있다고 적어, MIT 태그를 단 허깅페이스 카드와 다르게 말해요. GitHub
- 기반이 된 제3자 프로젝트 jevlike 는 개발자 vinnylarouge 가 MIT 로 올린 독립 프로젝트로, 제브는 타입세이프의 상용 모델이고 타입세이프는 설계를 공개하지 않았으며 제브와 같은 품질을 보이거나 비공개 학습 방법을 재현한 것이 아니라고 저장소에 적혀 있어요. GitHub