InternLumina-U2 so với Tencent UI-Mate-27B: Tác nhân màn hình nền bạn có thể chạy ngay bây giờ so với mô hình thị giác hợp nhất bạn chỉ có thể đọc

{{1}}Tencent UI-Mate-27B và InternLumina-U2 là hai bản phát hành Apache-2.0 âm thầm từ các phòng thí nghiệm Trung Quốc, được công bố cách nhau hai tuần, và chúng không phải là đối thủ của nhau — đó chính là lý do chúng đáng để so sánh.{{/1}} {{2}}Tencent UI-Mate-27B, được phát hành dưới dạng trọng số mở vào ngày 14 tháng 8 năm 2026, là một tác tử desktop: nó quan sát màn hình và phát ra các thao tác chuột và bàn phím.{{/2}} {{3}}InternLumina-U2, được công bố dưới dạng mã suy luận vào ngày 1 tháng 9 năm 2026 bởi Phòng thí nghiệm AI Thượng Hải, là một mô hình thị giác hợp nhất tiềm năng: nó tuyên bố có thể đọc hình ảnh, video và 3D cũng như tạo và chỉnh sửa hình ảnh.{{/3}} {{4}}Một cái hành động dựa trên những gì nó thấy; cái còn lại, khi trọng số của nó cuối cùng được ra mắt, sẽ nói và vẽ về những gì nó thấy.{{/4}} {{5}}Nếu công việc của bạn là vận hành một máy tính để bàn, chỉ một trong hai cái này có thể làm được việc đó ngay hôm nay — và đó không phải là cái có kiến trúc hào nhoáng hơn.{{/5}}

Tác nhân hành động: Tencent UI-Mate-27B

UI-Mate-27B là một tác nhân GUI nền tảng mã nguồn mở với 27 tỷ tham số đến từ nhóm tác nhân đa phương thức HY Frontier của Tencent, được tinh chỉnh từ Qwen3.6-27B. Nó quan sát ảnh chụp màn hình trực tiếp, suy luận về trạng thái màn hình hiện tại, và xuất ra các hành động bàn phím cùng chuột có cấu trúc trong một không gian tọa độ chuẩn hóa — đây là sản phẩm của một mô hình được huấn luyện để vận hành một máy tính thực sự, chứ không phải để trò chuyện về nó. Điểm đặc biệt của nó là khả năng thực thi theo hướng dẫn trình diễn: cho nó xem một quy trình làm việc một lần và nó sẽ điều chỉnh bản trình diễn đã ghi lại cho phù hợp với nhiệm vụ đang thực hiện, coi ảnh chụp màn hình trực tiếp là nguồn dữ liệu có giá trị nhất khi giao diện khác với những gì đã được ghi lại. Các điểm số nổi bật được Tencent công bố là OSWorld-Verified 77.0 và WindowsAgentArena 66.2 — những con số sẽ đứng đầu các bảng xếp hạng năm 2026 đó nếu được tái xác lập một cách độc lập — cùng với một chuỗi các điểm số OSWorkerBench. Trọng số là thật và có thể tải xuống: mười hai phân đoạn safetensors trên Hugging Face, có thể tự lưu trữ thông qua vLLM hoặc SGLang trên một vài GPU, và thẻ mô hình mang một cảnh báo quan trọng rằng đây là một checkpoint tác nhân chứ không phải một mô hình trò chuyện thị giác độc lập — nếu bạn đưa cho nó yêu cầu "mô tả hình ảnh này" thì bạn đang dùng nó sai cách.

Đôi mắt được hứa hẹn: InternLumina-U2

InternLumina-U2 là một loài hoàn toàn khác. Đây là một mô hình khuếch tán hỗn hợp chuyên gia thưa (sparse mixture-of-experts) với 16B tham số (1B hoạt động) mà phòng thí nghiệm hướng tới việc dùng làm một mô hình duy nhất cho hiểu thị giác vạn năng, tạo hình ảnh và chỉnh sửa hình ảnh — một thiết kế tám codebook hoàn toàn rời rạc, trong đó một backbone duy nhất vừa đọc một hình ảnh, biểu đồ, video hay tài nguyên 3D vừa viết ra các pixel mới. Nếu hình dung của bạn là một tác tử GUI, thì InternLumina-U2 là cực đối lập: nó không muốn bấm vào gì cả, nó muốn hiểu mọi thứ và vẽ theo yêu cầu. Hình thức công bố ngày 1 tháng 9 năm 2026 của nó là mã nguồn suy luận và một kiến trúc — sáu điểm vào tác vụ trong một kho GitHub, một trang dự án với bảng benchmark sơ bộ, một trang stub trống trên Hugging Face — còn trọng số, mã huấn luyện và bản báo cáo kỹ thuật của nó đều vẫn ghi "sắp ra mắt". Không ai có thể chạy được nó. Khoảng cách giữa hai mô hình không nằm ở chất lượng; nó nằm ở sự tồn tại.

Bảng tỷ số

Số liệu của UI-Mate-27B do Tencent báo cáo và chưa được tái lập; số liệu của InternLumina-U2 do phòng thí nghiệm báo cáo, sơ bộ và chưa đầy đủ. Mỗi hàng đều ghi rõ nguồn gốc.

• Công việc — Tencent UI-Mate-27B: vận hành desktop — đọc ảnh chụp màn hình theo thời gian thực, tạo ra các thao tác chuột và bàn phím. InternLumina-U2: nhận thức và sáng tạo — hiểu hình ảnh/video/3D, tạo và chỉnh sửa hình ảnh.

• Trọng số — Tencent UI-Mate-27B: công khai từ 14 tháng 8 năm 2026, mười hai phân đoạn safetensors, Apache-2.0. InternLumina-U2: không công khai — kho lưu trữ Hugging Face trống, trọng số "sắp ra mắt".

• Quy mô — 27B dense, tinh chỉnh từ Qwen3.6-27B so với mô hình khuếch tán MoE thưa 16B tổng / 1B hoạt động.

• Đầu ra — Tencent UI-Mate-27B: các hành động có cấu trúc tương thích pyautogui trong không gian tọa độ chuẩn hóa. InternLumina-U2: tuyên bố hỗ trợ văn bản, chuyển văn bản thành hình ảnh lên đến 1024×1024 và chỉnh sửa hình ảnh dựa trên chỉ dẫn.

• Các số liệu nổi bật — Tencent UI-Mate-27B: OSWorld-Verified 77.0, WindowsAgentArena 66.2, OSWorkerBench đạt mức tăng nhờ các bản trình diễn (tất cả do Tencent công bố). InternLumina-U2: ChartQA 86.52, GenEval 0.81, MathVision 33.22 (do phòng thí nghiệm báo cáo, sơ bộ).

• Lưu ý về xuất xứ — Tencent UI-Mate-27B: bản thân thẻ mô hình cảnh báo rằng đây là một agent checkpoint, không phải một mô hình hội thoại thị giác độc lập. InternLumina-U2: trang dự án gắn nhãn kết quả của chính mình là "sơ bộ, chưa đầy đủ".

• Thực trạng serving — Tencent UI-Mate-27B: có thể tự host bằng vLLM hoặc SGLang trên ~2 GPU; hiện chưa có nhà cung cấp inference dạng hosted nào triển khai mô hình này. InternLumina-U2: không ai có thể serve được — driver được phát hành yêu cầu các checkpoint không tồn tại trong repository.

Hai hương vị khác nhau của điều chưa được chứng minh.

Cả hai mô hình đều chưa được kiểm chứng, nhưng từ này không mang cùng một nghĩa trong hai lần dùng. Tencent UI-Mate-27B chưa được kiểm chứng theo nghĩa thông thường của một mô hình mới: những điểm số nổi bật của nó là do chính nhà cung cấp công bố, chưa ai độc lập chạy lại chúng, và số lượt tải về rất nhỏ so với những con số được tuyên bố — dáng vẻ quen thuộc của một checkpoint thoạt nhìn tưởng như mới ra đời bốn ngày, mà từ đó đến nay đã có một cộng đồng nhỏ. Nhưng nó chưa được kiểm chứng theo một nghĩa có thể kiểm chứng được. Vì trọng số của mô hình đã tồn tại, con số 66.2 và 77.0 có thể được kiểm tra ngay trong tuần này bởi bất kỳ ai có hai GPU và một môi trường kiểm thử Windows, và những tuyên bố dựa trên các màn trình diễn có thể được tái tạo hoặc bác bỏ trên các quy trình làm việc thực tế. InternLumina-U2 chưa được kiểm chứng theo một nghĩa chặt chẽ hơn: nó không thể kiểm tra được. Kiến trúc của nó công khai và dễ đọc, còn các con số của nó thì không — không có artifact nào có thể xác nhận chúng, và bảng tổng kết chưa đầy đủ do chính phòng thí nghiệm công bố đã cho thấy nó xếp sau một đối thủ được nêu tên tại ít nhất một điểm chuẩn về sinh tạo. Một con số của nhà cung cấp đi kèm một tệp tải về là một tuyên bố đang chờ người phản biện. Một con số của nhà cung cấp đi kèm một lộ trình chỉ là một niềm hy vọng.

Thẻ Hugging Face của tencent/UI-Mate-27B, chụp lại ngày 27 tháng 8 năm 2026 — nền tảng Qwen3.6-27B, điểm số OSWorld và WindowsAgentArena do nhà cung cấp báo cáo, cùng ghi chú rằng hiện chưa có nhà cung cấp suy luận nào triển khai mô hình này.

Sự phân công lao động tự nhiên: một tác nhân và đôi mắt của nó

Đặt cạnh nhau, hai mô hình phác họa hình dạng của một chuỗi tự động hóa đáng tin cậy. Vấn đề khó với các tác tử GUI không nằm ở trường hợp trung bình; mà ở chỗ tác tử âm thầm làm sai trên một trạng thái màn hình bất ngờ và không ai nhận ra. Đó chính xác là việc mà một mô hình thị giác rẻ và đáng tin cậy tồn tại để đảm nhận — xác minh trạng thái màn hình trước và sau mỗi hành động, xác nhận rằng hộp thoại vừa xuất hiện đúng là hộp thoại mà tác tử tin rằng đã xuất hiện, và dừng vòng lặp khi thực tế và mô hình thực tại của tác tử phân kỳ. Tencent UI-Mate-27B là bên hành động; một mô hình thị giác hợp nhất kiểu như InternLumina-U2 tự nhận là chính là bộ xác minh tự nhiên, có thể đọc chính những ảnh chụp màn hình mà tác tử đang thao tác. Khi — và chỉ khi — trọng số của InternLumina-U2 thực sự được phát hành và các tuyên bố về năng lực hiểu của nó vượt qua kiểm thử độc lập, thì đó là vai trò mà nó có thể đảm nhiệm bên cạnh một tác tử, chứ không phải chống lại nó. Hai thứ này không phải là đối thủ cạnh tranh một công việc; chúng là hai nửa của cùng một công việc.

Kho lưu trữ GitHub InternLM/InternLumina-U2, được chụp lại vào ngày 2 tháng 9 năm 2026 — trang chủ của kho lưu trữ hiển thị các tập lệnh suy luận theo từng tác vụ, bao gồm điểm vào hiểu hình ảnh mà từ đó một bộ xác minh trạng thái màn hình sẽ được xây dựng; các trọng số cần thiết để chạy được nó không nằm trong cây mã nguồn.

Vai trò của tầng định tuyến đối với một stack agent kết hợp thị giác

Không mô hình nào trong hai mô hình này được lưu trữ trên OrcaRouter, và chúng tôi sẽ không ngụ ý điều ngược lại — Tencent UI-Mate-27B không có nhà cung cấp lưu trữ ở bất kỳ đâu, còn InternLumina-U2 không có trọng số để bất kỳ nhà cung cấp nào có thể lưu trữ. Mẫu định tuyến áp dụng ở đây là mẫu dành cho chính kiến trúc này: một agent hành động và một mô hình thị giác đảm nhiệm việc xác minh, được phối hợp sao cho bước tốn kém hoặc rủi ro chỉ được kích hoạt sau bước rẻ và đáng tin cậy. DSL định tuyến biểu đạt điều đó thành một lời gọi logic duy nhất — hành động, rồi xác minh, rồi tiếp tục hoặc dừng lại — thay vì một lớp kết nối làm riêng giữa hai nhà cung cấp mô hình, và cơ chế chuyển dự phòng tự động bao quát đúng kiểu thất bại thực tế: một GUI agent như UI-Mate-27B chính là loại điểm kiểm tra chưa được kiểm chứng mà bạn cần cho chạy thử trên một đường thử nghiệm trước, và lời gọi sẽ tự động chuyển sang một mô hình đã được kiểm chứng ngay khi mô hình mới hoạt động bất thường. Một API duy nhất kết nối hơn 200 mô hình được lưu trữ, giá niêm yết của nhà cung cấp được chuyển thẳng với mức phụ giá 0%, và những phần chưa được kiểm chứng trong hệ thống được giữ sau các rào cản an toàn cho đến khi chúng giành được sự tin tưởng của bạn.

Điểm mấu chốt

Nếu bạn đang xây dựng thứ gì đó thao tác trên máy tính để bàn, Tencent UI-Mate-27B là mô hình duy nhất trong hai mô hình này tồn tại ở dạng dùng được — chạy được ngay hôm nay trên GPU của chính bạn, với điểm số ấn tượng nhưng chưa được tái lập mà bạn có thể thực sự tự mình kiểm chứng. Nếu bạn đang xây dựng thứ gì đó cần một mô hình hiểu và vẽ về những gì nó nhìn thấy, InternLumina-U2 là một kiến trúc đầy hứa hẹn đang chờ bộ trọng số của nó — đáng để đọc ngay lúc này, nhưng vẫn chưa đáng để dựa vào như một thành phần phụ thuộc cho đến khi các tệp safetensors xuất hiện. Hãy theo dõi cả hai, chờ ngày sự phân công nhiệm vụ trở nên khả thi: một tác tử trên máy tính để bàn, một bộ mắt đã được xác minh quan sát nó, và một lớp định tuyến giữ cho chúng trung thực.