MiniCPM-V 4.7 1B vs UI-Venus 2 9B: Một cái vừa túi áo, cái kia cần cả tủ rack

So sánh giữa MiniCPM-V 4.7 1B và UI-Venus 2 9B không hề cân xứng, và đó chính là điều hữu ích ở nó. MiniCPM-V 4.7 1B là một mô hình thị giác-ngôn ngữ tổng quát 1,55 tỷ tham số của OpenBMB, được tải lên ngày 6 tháng 10 năm 2026, ghi ngày 12 tháng 10 trong ghi chú phát hành của nhà cung cấp, giấy phép Apache 2.0, và đủ nhỏ để chạy bên trong một ứng dụng điện thoại. UI-Venus 2 9B là một tác nhân GUI 9,41 tỷ tham số từ inclusionAI, phát hành ngày 26 tháng 8 năm 2026, được huấn luyện đặc biệt để nhìn vào màn hình và quyết định chỗ chạm, gõ hoặc vuốt, và nó yêu cầu một GPU có máy chủ vLLM ở phía trước. Các sự cố AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như thế này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter trong đó mỗi mục mang nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Đặt chúng vào cùng một câu dễ gợi ra câu hỏi sai — cái nào tốt hơn — trong khi câu hỏi đúng là mỗi cái dùng để làm gì. Một mô hình thị giác tổng quát vừa trong 1.8 GB bộ nhớ đã lượng tử hóa và một screen-agent đạt 73.0 trên ScreenSpot-Pro không phải là những thứ thay thế cho nhau. Chúng là hai lớp khác nhau của một ngăn xếp tự động hóa di động, và phần thú vị nằm ở chỗ ranh giới giữa hai lớp đó thực sự nằm ở đâu.

Hai công việc trông có vẻ giống nhau từ xa

Cả hai mô hình đều có thể nhận ảnh chụp màn hình và trả về văn bản về nó. Điểm giống nhau chỉ dừng ở đó.

MiniCPM-V 4.7 1B đọc một hình ảnh và mô tả, chép lại, trích xuất hoặc trả lời. Hãy hỏi nó tổng tiền trên hóa đơn là bao nhiêu, một trường trong biểu mẫu chứa gì, liệu một biểu đồ có xu hướng đi lên hay không, hoặc một trang PDF viết gì, và nó sẽ đưa ra câu trả lời. Nó có các điều khiển cắt lát cho hình ảnh độ phân giải cao, tỷ lệ nén token thị giác 4×/16× có thể chuyển đổi, và các tham số lấy mẫu khung hình cho video. Tài liệu của nó bao gồm trò chuyện một hình ảnh, trò chuyện nhiều hình ảnh, video, OCR, phân tích cú pháp PDF và neo bám thị giác — một khối lượng công việc đọc tài liệu và màn hình.

UI-Venus 2 9B đọc màn hình và phát ra một hành động. Thẻ của nó mô tả một vòng lặp khép kín: quan sát giao diện, suy luận về trạng thái tác vụ, thực thi một hành động, đưa phản hồi của môi trường vào quyết định tiếp theo. Đầu ra là các điểm và chuỗi hành động, không phải văn xuôi. Xung quanh nó, inclusionAI cung cấp prompt tham chiếu, bộ phân tích hành động và ví dụ chạy được cho các tác vụ di động, máy tính, trình duyệt, grounding và CAPTCHA. Mô hình là một chính sách, và khung vận hành bao quanh nó chiếm một nửa sản phẩm.

Sự phân biệt đó quyết định kiến trúc trước khi tham khảo bất kỳ chỉ số đánh giá nào. Một ứng dụng điện thoại cần đọc hóa đơn sẽ dùng cách thứ nhất. Một hệ thống cần hoàn thành tác vụ bên trong ứng dụng — bấm qua các bước thanh toán, điền biểu mẫu, giải CAPTCHA thanh trượt — sẽ dùng cách thứ hai, và không thể thay thế cách thứ nhất dù OCR của nó có tốt đến đâu.

Giấy phép là bộ lọc đầu tiên, không phải là thước đo chuẩn.

Thẻ của UI-Venus 2 9B có một mục trạng thái phát hành mà hầu hết các bài đưa tin đã bỏ qua. Dưới mục "Model weights" ghi rằng trọng số đã được đưa vào; dưới mục "License" ghi rằng giấy phép trọng số mô hình đang chờ xác nhận cuối cùng và sẽ được bổ sung trước khi phát hành công khai, đồng thời tuyên bố Apache-2.0 đã được cố ý không chuyển sang vì các tài liệu thượng nguồn chứa những tuyên bố giấy phép mâu thuẫn nhau.

Hãy đọc lại điều đó hai lần. Các trọng số có thể tải xuống, các điểm chuẩn đã được công bố, báo cáo kỹ thuật có trên arXiv, và giấy phép vẫn chưa được giải quyết. Đối với một nhóm nghiên cứu thì điều đó ổn. Đối với một công ty đang lên kế hoạch đưa một tác nhân màn hình vào trong một sản phẩm thương mại, điều đó có nghĩa là đánh giá pháp lý không thể kết thúc. Mô hình có thể sẽ là Apache 2.0, hoặc có thể không, và không có cách nào để biết được từ các tài liệu hiện có ngày hôm nay.

MiniCPM-V 4.7 1B được phát hành theo giấy phép Apache 2.0, không có sự mập mờ như vậy. Chỉ riêng dòng đó đã loại bỏ một trong hai mô hình đối với một nhóm lớn các công việc thương mại — không phải vì nó kém hơn, mà vì một giấy phép đang chờ xử lý là rủi ro về tiến độ mà không ai tính đến trong ngân sách.

Số học phần cứng, trước bất kỳ điểm số nào

• Trọng số — 1,55B dense, khoảng 3,1 GB BF16, 0,67 GB ở Q4_K_M cộng với bộ chiếu thị giác 0,90–1,11 GB so với 9,41B, khoảng 18,8 GB BF16 trải trên bốn shard safetensors • Môi trường chạy — ứng dụng iOS, Android và HarmonyOS; hỗ trợ chip từ ngày đầu từ Rockchip, Houmo, Intel, AMD và Arm so với một đường phục vụ GPU, được tài liệu hóa với vLLM tại --max-model-len 262144 và --reasoning-parser qwen3 • Ngữ cảnh — 262.144 token trên lý thuyết, với bộ nhớ đệm KV tốn nhiều hơn trọng số ở độ dài đầy đủ so với 262.144 token, kế thừa từ mô hình nền Qwen3.5-9B • Ngăn xếp thị giác — một bộ mã hóa 27 lớp, 1152 chiều ẩn trên các ô 980 pixel với nén token bên trong bộ mã hóa so với tháp thị giác Qwen3.5-9B, được kế thừa từ mô hình nền • Giấy phép — Apache 2.0 so với đang chờ xác nhận, với việc tuyên bố Apache-2.0 được cố ý không đưa ra • Kiểu đánh giá — năm con số dạng văn xuôi cộng với các so sánh chỉ thể hiện bằng biểu đồ so với một phụ lục số đầy đủ bao gồm di động, máy tính, web, grounding, CAPTCHA và an toàn • Đánh giá độc lập — không có cho cả hai mô hình tại thời điểm viết bài so với không có, mặc dù báo cáo kỹ thuật tại arXiv 2609.00028 là một tài liệu đáng kể có thể được bên thứ ba kiểm chứng

Khoảng cách ở đây là vào khoảng một bậc độ lớn về bộ nhớ: 1,8 GB khi lượng tử hóa so với 18,8 GB ở BF16, hoặc khoảng 5 GB ở 4-bit nếu bạn lượng tử hóa. Đó là sự khác biệt giữa một ứng dụng và một dịch vụ. Đây cũng là lý do hai mô hình thường được bàn luận trong những bài viết khác nhau — một bên là câu hỏi triển khai trên thiết bị biên và bên kia là câu hỏi chi phí suy luận.

Nơi 9B xứng đáng với kích thước của mình

Các con số của UI-Venus 2 9B, đều do nhà cung cấp báo cáo từ thẻ mô hình và báo cáo kỹ thuật của nó, đặt nó gần vị trí dẫn đầu trong nhóm GUI dưới 10B. Trên ScreenSpot-Pro, thước đo định vị phần tử trên phần mềm chuyên nghiệp độ phân giải cao, nó báo cáo 73.0. Trên VenusBench-GD, 77.1. Trên OSWorld-G-R, 78.5. Trên AndroidWorld, 80.2. Trên tập chia 595 tác vụ đã được làm mới của WebVoyager, 90.8. Trên OSWorld-Verified, 70.8. Trên VenusBench-CAPTCHA của chính nó, 78.1 pass@1 trên tám loại tương tác.

Đó không phải những con số mà một mô hình tổng quát 1B tạo ra, và chúng cũng không nhằm mục đích đó. Điều khiến chúng đáng tin cậy thay vì chỉ mang tính trang trí là phần mô tả huấn luyện: một nhóm ứng dụng di động gồm hơn 170 ứng dụng đa ngôn ngữ, một nhóm miền web gồm hơn 4.000 tên miền thuộc 19 danh mục, ba giai đoạn huấn luyện (huấn luyện trung gian đa phương thức, RL ngoại tuyến trên năm họ nhiệm vụ, chưng cất on-policy đa giáo viên), và một cơ chế xác minh dựa trên các điểm then chốt thị giác liên quan đến nhiệm vụ với bỏ phiếu đa mô hình thay vì một giám định viên duy nhất nhìn vào màn hình cuối cùng. Thẻ này cũng báo cáo kết quả an toàn — tỷ lệ tấn công thành công 11,3% trên OSHarm và 48,8% trên OSBlind, so với 25,3% và 79,4% của mô hình cơ sở Qwen3.5-9B — và trình bày chúng như một so sánh với mô hình cơ sở đó thay vì như một tuyên bố tuyệt đối về độ bền vững, đây là cách trình bày đúng.

Không có điều nào trong số này chuyển giao được sang một mô hình 1B. Năng lực hành động trên GUI là được huấn luyện, chứ không tự nảy sinh từ năng lực thị giác tổng quát, và không mức độ chính xác OCR nào có thể thay thế cho một chính sách biết nút “next” làm gì.

Nơi 1B vẫn thắng dù sao đi nữa

Ba vị trí, và chúng không phải là những giải an ủi.

Độ trễ và tính sẵn sàng. Một mô hình 1B cục bộ không có vòng khứ hồi mạng, không có hàng đợi, không có sự cố nhà cung cấp và không có chi phí theo từng yêu cầu. Với một tính năng quét được dùng năm mươi lần mỗi ngày, đó chính là toàn bộ trải nghiệm sản phẩm. Một mô hình 9B chạy sau máy chủ vLLM thì nhanh — nhưng nó nhanh theo cái cách mọi mô hình được lưu trữ đều nhanh, và nó thôi nhanh khi kết nối mất.

Quyền riêng tư ngay từ thiết kế. Một hóa đơn, giấy tờ tùy thân, biểu mẫu y tế hay ảnh chụp màn hình một cuộc trò chuyện riêng tư có thể ở lại trên thiết bị. Đó không phải là một câu nói tiếp thị; đó là sự khác biệt giữa một tính năng bạn có thể phát hành trong một ngành được quản lý và một tính năng bạn không thể. Đánh giá an toàn của chính UI-Venus 2 9B là về việc mô hình hành xử sai ở phía máy chủ. Thuộc tính quyền riêng tư của 1B là hình ảnh không bao giờ rời khỏi điện thoại.

Chi phí ở mức cận biên. Đọc một ảnh chụp màn hình bằng mô hình 9B chạy trên đám mây tốn tiền cho mỗi yêu cầu, mọi yêu cầu, mãi mãi. Đọc nó bằng mô hình 1B cục bộ thì tốn pin. Ở khối lượng thấp, lựa chọn chạy trên đám mây rẻ hơn; ở khối lượng cao — một máy quét trong ứng dụng thực địa, một công cụ hỗ trợ tiếp cận, một lô mười nghìn hoá đơn — mô hình cục bộ là lựa chọn duy nhất có chi phí cận biên tiến gần về không.

Bộ stack mà hầu hết các đội thực sự cuối cùng sẽ xây dựng

Không phải là lựa chọn giữa hai điều này. Mà là sự chồng lớp của chúng.

Mô hình 1B trên thiết bị đảm nhận phần nhận thức: đọc màn hình, trích xuất văn bản, tìm trường, mô tả những gì ở đó. Hầu hết thời gian như vậy là đủ, và yêu cầu không bao giờ rời khỏi điện thoại. Khi tác vụ cần một hành động — nhấn vào đây, vuốt ở kia, hoàn thành luồng này — công việc sẽ được giao cho một tác nhân, và một tác nhân cần mô hình lớn hơn với vốn từ vựng hành động.

Chính ở bước bàn giao đó, một lớp định tuyến mới chứng tỏ được giá trị của mình, và cần nói thật chính xác nó làm gì và không làm gì. OrcaRouter cung cấp hơn 200 mô hình được lưu trữ sẵn thông qua một endpoint duy nhất tương thích với OpenAI, với mức markup 0%, chuyển nguyên giá niêm yết của từng nhà cung cấp, kèm khả năng chuyển đổi dự phòng tự động và một DSL định tuyến có thể chứa cả mô hình chính lẫn mô hình dự phòng trong cùng một lần gọi. Cách triển khai mà điều này mở ra thật bình dị mà vẫn hữu ích: chiếc điện thoại thử chạy mô hình 1B cục bộ, ứng dụng đẩy những ca khó lên một mô hình thị giác chạy trên máy chủ thông qua đúng chiếc key mà nó dùng cho mọi thứ khác, và việc một nhà cung cấp gặp trục trặc trở thành một sự kiện chuyển đổi dự phòng thay vì một đợt ngừng dịch vụ. Cả MiniCPM-V 4.7 1B lẫn UI-Venus 2 9B đều không nằm trong danh mục đó — cả hai đều là các checkpoint do bạn tự chạy — nên router là lớp bao quanh toàn bộ stack, chứ không phải cách để gọi một trong hai mô hình.

Hai kiểu lỗi cần tính đến khi lập kế hoạch

Cái đầu tiên là một mô hình tổng quát 1B được dùng làm agent. Nó sẽ đọc đúng một màn hình rồi sau đó không biết phải làm gì với nó. Nếu sản phẩm của bạn cần hoàn thành một luồng chứ không phải mô tả một luồng, thì 1B là công cụ sai và không có prompt nào sửa được điều đó.

Thứ hai là một agent 9B được phát hành dựa trên trạng thái giấy phép trên model card. Card của UI-Venus 2 9B ghi rằng giấy phép đang chờ xử lý và rằng tuyên bố Apache-2.0 đã bị cố ý giữ lại. Cho đến khi vấn đề đó được giải quyết, xét về mục đích thương mại, mô hình chỉ là một hiện vật nghiên cứu, dù con số ScreenSpot-Pro có tốt đến đâu. Các nhóm lập kế hoạch dựa trên giả định “nó có lẽ sẽ là Apache 2.0” đang chấp nhận một rủi ro tiến độ mà họ chưa tính đến.

Lựa chọn thực sự rốt cuộc quy về điều gì

Nếu câu hỏi là "tôi có thể đọc ảnh chụp màn hình này trên điện thoại, ngoại tuyến, miễn phí, với giấy phép mà tôi có thể phát hành kèm sản phẩm không" — MiniCPM-V 4.7 1B trả lời là có, ở mức khoảng 1,8 GB đã lượng tử hóa, theo Apache 2.0, và điều duy nhất bạn phải kiểm tra là dung lượng bộ nhớ khả dụng trên chính thiết bị của bạn.

Nếu câu hỏi là "liệu mô hình này có thể vận hành giao diện thay vì mô tả nó hay không" — UI-Venus 2 9B là mô hình có quá trình huấn luyện, các benchmark và harness, và nó cần GPU cùng một quyết định về giấy phép trước khi cần bất cứ thứ gì khác.

Nếu câu hỏi là “cả hai, trong một sản phẩm” — thì bạn đang xây dựng một hệ thống hai tầng, mô hình 1B đảm nhận phần nhận thức trên thiết bị và agent thực hiện hành động trên máy chủ, và công việc kỹ thuật nằm ở việc chuyển giao giữa hai bên chứ không phải ở việc lựa chọn giữa chúng.

So sánh này trông mất cân xứng, và đúng là như vậy. Một mô hình tổng quát 1B và một chuyên gia GUI 9B không cùng hạng cân, cùng hạng triển khai hay cùng vị thế cấp phép. Sai lầm là diễn giải điều đó thành "một cái tốt hơn". Chúng đang trả lời những câu hỏi khác nhau, và cách nhanh nhất để chọn là viết ra câu hỏi mà bạn thực sự đang đặt ra.