MiniCPM-V 4.7 35B-A3B vs UI-Mate-27B: Một bên đọc màn hình, bên kia nhấn nút

Câu đầu tiên trung thực về MiniCPM-V 4.7 35B-A3B so với UI-Mate-27B là chúng không phải là đối thủ của nhau. Cả hai đều được đưa lên Hugging Face mà không có thông báo, đều có giấy phép thoáng, đều được huấn luyện trên các backbone thuộc họ Qwen, và đều được mô tả trong tài liệu riêng của chúng là mạnh về việc hiểu nội dung trên màn hình — đó là lý do chúng thường được xếp cùng nhau. Nhưng một cái là mô hình thị giác - ngôn ngữ tổng quát, đọc một hình ảnh và trả lời bằng văn bản, còn cái kia là một tác nhân GUI, đọc ảnh chụp màn hình và phát ra các thao tác chuột và bàn phím tương thích với pyautogui. MiniCPM-V 4.7 35B-A3B có thể cho bạn biết hộp thoại ghi gì. UI-Mate-27B có thể đóng nó lại. Mọi thứ khác trong so sánh này đều bắt nguồn từ một khác biệt đó, và câu hỏi hữu ích không phải là mô hình nào thắng — mà là bạn đang thiếu nửa nào của công việc.

Cả hai cũng đều còn khá mới. UI-Mate-27B ra mắt ngày 14 tháng 8 năm 2026, với một bài báo công bố sau đó hai ngày và không có bài đăng ra mắt nào từ phòng thí nghiệm; khi chúng tôi lần đầu đưa tin, nó không có lượt tải xuống nào trên Hugging Face, và đến nay vẫn chưa có API được lưu trữ ở bất kỳ đâu. MiniCPM-V 4.7 xuất hiện vào ngày 6 tháng 10 mà hoàn toàn không có thẻ mô hình nào, và OpenBMB đã không công bố thẻ mô hình, nhãn giấy phép hay mục tuyên bố nào cho đến ngày 12 tháng 10. Cả hai đều chưa được đánh giá độc lập. Mọi số liệu hiệu năng trong bài viết này đều được ghi rõ ai báo cáo, và ở cả hai phía, đó đều là phòng thí nghiệm của chính mô hình.

Cùng một cơ thể, hai công việc khác nhau

Hãy bắt đầu với điều khiến sự ghép cặp này có cảm giác tự nhiên. Cả hai đều là những mô hình đa phương thức trọng số mở từ trung bình đến lớn với giấy phép Apache-2.0. Cả hai cùng nằm trên một dòng dõi thượng nguồn — UI-Mate-27B được tinh chỉnh từ Qwen3.6-27B, và ngăn xếp ngôn ngữ của MiniCPM-V 4.7 35B-A3B là một MoE thưa thuộc họ Qwen3.5. Cả hai đều hướng đến cùng một lĩnh vực ứng dụng rộng lớn — màn hình, tài liệu và trạng thái ứng dụng — và cả hai đều ra mắt trong im lặng.

Sau đó, hãy xem mỗi mô hình xuất ra những gì. MiniCPM-V 4.7 trả về các token văn bản. UI-Mate-27B trả về một hành động có cấu trúc — một cú nhấp, một lần gõ phím, một thao tác cuộn, một lần chờ, một tín hiệu hoàn thành tác vụ — trong không gian tọa độ chuẩn hóa 1000×1000 mà tác nhân tham chiếu tái chia tỉ lệ về độ phân giải ảnh chụp màn hình thực tế, nhờ đó các dự đoán vẫn giữ được hiệu lực khi có khác biệt về tỉ lệ hiển thị giữa các máy. Thẻ mô hình nói rõ rằng UI-Mate là “một checkpoint tác nhân chứ không phải một mô hình trò chuyện thị giác độc lập” và rằng nên dùng harness đi kèm cho bất kỳ tác vụ thực tế nào.

Sự khác biệt đó quyết định phần lớn các triển khai thực tế. Nếu pipeline của bạn là “đọc ảnh chụp màn hình này và cho tôi biết nó có vấn đề gì”, thì một VLM tổng quát là công cụ phù hợp, còn agent là thừa thãi với kiểu thất bại tệ hơn. Nếu pipeline của bạn là “khiến ứng dụng làm việc đó”, thì chỉ riêng VLM sẽ khiến bạn phải tự viết toàn bộ tầng hành động — ánh xạ tọa độ, phân tích hành động, khôi phục lỗi, logic thử lại — đây chính là phần mà UI-Mate đã dành ngân sách học tăng cường của mình cho.

MiniCPM-V 4.7 35B-A3B là gì, tính đến thời điểm hiện tại

MoE đầu tiên của OpenBMB trong dòng MiniCPM-V: 256 chuyên gia với 8 chuyên gia hoạt động trên mỗi token xuyên suốt 40 lớp, cửa sổ ngữ cảnh 262.144 token và từ vựng 248.144 token, tức khoảng 3B tham số hoạt động trên tổng số 35,2B. Phần thị giác chạy qua mô-đun SigLIP2 với nén sớm trong ViT của LLaVA-UHD v4 và chế độ nén token thị giác hỗn hợp 4x/16x có thể lựa chọn — mặc định là 16x để tối ưu thông lượng, 4x khi chi tiết mịn là điều quan trọng. Nó hiểu ảnh đơn, tập nhiều ảnh và video, đồng thời trả về văn bản.

Tuyên bố nổi bật của thẻ là đây là mô hình MoE mã nguồn mở đầu tiên có suy luận trên thiết bị không mất mát, mượt mà — Lập lịch chuyên gia Lookahead, lượng tử hóa từng lớp mịn, và lấy mẫu suy đoán thông qua các bản nháp DSpark riêng biệt — ở mức được báo cáo là hơn 13 token mỗi giây trên iPhone 17 Pro Max. Con số đó do nhà cung cấp báo cáo, chưa được tái tạo và không được kiểm chứng. Tuyên bố thứ hai, rằng mô hình vượt qua điểm tổng thể chế độ Instruct của Qwen3.6 35B-A3B trong thời gian suy luận ít hơn, được hiển thị bên trong một hình ảnh biểu đồ thay vì bảng, nên không thể trích dẫn dưới dạng số.

Điều cụ thể nằm ở sự phân phối. Các trọng số Base, FP8, int4, AWQ, GPTQ và GGUF đều tồn tại; SGLang, vLLM, llama.cpp, Ollama và OpenVINO đều được hỗ trợ; ứng dụng iOS, Android và HarmonyOS đều có; Rockchip, Houmo, Intel, AMD và Arm được liệt kê cho silicon ngay từ ngày đầu; và thẻ mô hình ghi lại khả năng gọi công cụ, cùng một ví dụ gọi hàm hoàn chỉnh trong phần serving. Chi tiết cuối đó có ý nghĩa cho so sánh này: MiniCPM-V 4.7 có thể là lớp nhận thức và suy luận bên trong một agent do bạn xây dựng, mặc dù nó sẽ không tự hành động.

UI-Mate-27B hiện nay là gì

GUI agent nền tảng 27 tỷ tham số của nhà cung cấp, được công bố vào ngày 14 tháng 8 năm 2026 cùng với một phiên bản anh em 9B và một biến thể được hướng dẫn bằng minh họa, UI-Mate-democua-27B. Quá trình huấn luyện gồm tinh chỉnh có giám sát, sau đó là học tăng cường trực tuyến trong các môi trường GUI có thể thực thi — mô hình học bằng cách thực sự điều khiển máy tính để bàn, chứ không phải từ ảnh chụp màn hình tĩnh. Không gian hành động của nó bao gồm chuột, bàn phím, cuộn, chờ, tương tác người dùng và tín hiệu hoàn thành, và các hành động phát ra tương thích với pyautogui, nên khung thử nghiệm có thể thực thi chúng trực tiếp.

Điểm khác biệt mà nhà cung cấp dựa vào là thực thi được định hướng bằng minh họa: ghi lại một quy trình một lần và tác nhân sẽ thích ứng nó với màn hình hiện tại, với ảnh chụp màn hình trực tiếp được coi là nguồn tham chiếu có thẩm quyền thay vì phát lại một kịch bản cố định. Tài liệu hỗ trợ đầy đủ một cách bất thường đối với một bản phát hành âm thầm — một trang dự án có video demo và ứng dụng macOS Apple Silicon, một kho GitHub chứa prompt chính thức, trình phân tích phản hồi và bộ khung tương tác, cùng bản tiền in arXiv 2608.15930 được gửi hai ngày sau khi trọng số được đăng lên.

Những con số nổi bật là điểm WindowsAgentArena do nhà cung cấp báo cáo là 66,2 và OSWorld-Verified là 77,0, những con số này sẽ đứng đầu trong những gì đã được công bố trên benchmark đó trong năm nay nếu chúng giữ vững. Chúng chưa được tái lập bởi bất kỳ ai bên ngoài phòng thí nghiệm. Và bức tranh triển khai còn mỏng manh theo cách mà các bản phát hành agent thời kỳ đầu thường có: không có API được lưu trữ, một đường phục vụ được khuyến nghị là vLLM đằng sau một endpoint tương thích OpenAI, và một chỉ dẫn có chủ đích là dùng harness thay vì gọi checkpoint thô.

Tám chiều, cả hai phía

• Đầu ra — văn bản, từ MiniCPM-V 4.7 35B-A3B; các hành động tương thích pyautogui có cấu trúc, từ UI-Mate-27B.

• Đầu vào — văn bản, hình ảnh và video, đối chiếu với ảnh chụp màn hình trực tiếp cùng với một hướng dẫn. Cả hai đều không nhận âm thanh.

• Mô hình cơ sở — một MoE thưa thuộc họ Qwen3.5 dành cho mô hình MiniCPM, Qwen3.6-27B cho UI-Mate.

• Kích thước và hình dạng — tổng 35,2B với 3B hoạt động trên 256 chuyên gia; 27B dense. Loại thưa rẻ hơn trên mỗi token, loại dense đơn giản hơn để phục vụ.

• Ngữ cảnh — 262,144 token so với mặc định là năm ảnh chụp màn hình được giữ lại, đây là khác biệt kiến trúc lớn nhất giữa chúng và là lý do một bên có thể đọc một tập tài liệu dài còn bên kia thì không.

• Giấy phép — Apache-2.0 trên cả hai, điều này khiến việc lựa chọn trở thành một vấn đề kỹ thuật thay vì pháp lý, như một sự thay đổi.

• Tuyên bố nổi bật, cả hai đều do nhà cung cấp tự báo cáo — hơn 13 token mỗi giây trên iPhone 17 Pro Max, so với WindowsAgentArena 66.2 và OSWorld-Verified 77.0. Các benchmark khác nhau, không có thang đo chung, và cả hai đều chưa được tái lập.

• Có sẵn ngay hôm nay — sáu định dạng lượng tử hóa, năm môi trường chạy và ứng dụng di động, đối chiếu với con số không lượt tải ở lần đưa tin đầu tiên, không có API được host, và một bộ khung mà nhà cung cấp khuyên bạn nên dùng.

Nơi chúng thực sự chồng lấn

Có một công việc mà cả hai đều có thể thử: hiểu một ảnh chụp màn hình UI đủ rõ để trả lời một câu hỏi về nó. Hỏi "trường nào không vượt qua xác thực" và cả hai mô hình đều có thể trả lời một cách hợp lý. Hỏi "sửa nó đi" và chỉ UI-Mate-27B mới tạo ra hành động, và chỉ khi bạn đã thiết lập quy trình — vòng lặp chụp màn hình, bộ phân tích cú pháp, bộ thực thi, việc điều chỉnh tỷ lệ tọa độ, và chính sách thử lại khi cú nhấp chuột rơi vào một nơi không mong đợi.

Sự chồng lấn ngược yếu hơn nhưng là có thật. Khả năng hỗ trợ gọi công cụ của MiniCPM-V 4.7 nghĩa là bạn có thể xây dựng một agent xoay quanh nó — nhận thức và lập kế hoạch nằm ở mô hình thị giác, còn lớp hành động của riêng bạn được gắn thêm thông qua các lệnh gọi hàm. Đó là một kiến trúc hợp lệ và nó cho bạn toàn quyền kiểm soát không gian hành động. Nó cũng gần như là tái phát minh lại thứ mà UI-Mate đã dùng học tăng cường để giải quyết, và làm điều đó mà không có dữ liệu huấn luyện chuyên biệt cho GUI. Các đội tốt hơn là nên chọn theo lớp mà họ muốn sở hữu, thay vì theo mô hình nào tỏ ra tốt hơn một cách bề ngoài ở các ảnh chụp màn hình.

Phục vụ cả hai, và vị trí phù hợp cho router

Không mô hình nào trong hai mô hình này được lưu trữ ở bất kỳ đâu, kể cả ở đây — MiniCPM-V 4.7 35B-A3B và UI-Mate-27B đều không xuất hiện ở bất kỳ đâu trong danh mục của OrcaRouter, và không có nội dung nào trong bài viết này nên được hiểu là tuyên bố rằng chúng tôi định tuyến chúng. Cả hai đều là các checkpoint mà bạn tự tải về và tự chạy, và với UI-Mate thì điều đó có nghĩa là hai thứ: khoảng 27B trọng số, và một endpoint tương thích với OpenAI, bởi vì README của chính nhà cung cấp khuyến nghị phục vụ nó bằng vLLM và harness mong đợi một base URL tương thích.

Điểm cuối đó là phần thú vị cho việc lập kế hoạch chi phí, bởi vì harness không quan tâm mô hình nào trả lời miễn là điểm cuối hoạt động đúng. OrcaRouter đặt hơn 200 mô hình được lưu trữ đằng sau một khóa ở mức giá niêm yết của từng nhà cung cấp mà không có phụ phí nào của chúng tôi, với khả năng chuyển đổi dự phòng tự động giữa các tuyến nhà cung cấp, điều này biến nó thành URL cơ sở thay thế trực tiếp cho phần lập kế hoạch của một agent — và DSL định tuyến cho phép bạn kết hợp một mô hình rẻ cho các bước thông thường và một mô hình mạnh hơn cho các quyết định quan trọng trong một lần gọi thay vì hai tích hợp. Hình dạng được lưu trữ gần nhất với hồ sơ chi phí của mô hình MiniCPM là Qwen3.6 35B A3B — tổng 35B, kích hoạt 3B, ngữ cảnh 262K — ở mức $0.25 mỗi triệu token đầu vào và $1.48 mỗi triệu token đầu ra. Liệu điều đó có đánh bại việc tự lưu trữ một MoE thưa 70 GB hay không là câu hỏi bạn có thể trả lời trong một buổi chiều, điều không đúng với cả hai mô hình trong tiêu đề.

Bạn muốn cái nào?

Hãy chọn UI-Mate-27B nếu bạn cần một mô hình biết hành động — tự động hóa máy tính để bàn, thay thế RPA, các quy trình làm việc ứng dụng dài hạn — và nếu bạn chấp nhận đánh đổi đi kèm: một benchmark do nhà cung cấp báo cáo, không có tái lập độc lập, không có tuyến truy cập được host, và một harness mà bạn phải chấp nhận thay vì chất vấn. Điểm cộng là mọi thứ về bản phát hành này đều được tài liệu hóa kỹ lưỡng một cách bất thường, từ bài báo đến prompt đến parser, và phiên bản anh em 9B cho bạn một mô hình rẻ hơn để làm nguyên mẫu.

Hãy chọn MiniCPM-V 4.7 35B-A3B nếu bạn cần năng lực tri giác — tài liệu dài, hàng loạt ảnh chụp màn hình, video — và bạn sẵn sàng tự mình phụ trách lớp hành động. Bạn nhận được giấy phép thoáng, sáu định dạng lượng tử hóa, năm môi trường chạy, cửa sổ 262K và một câu chuyện triển khai kiểu điện thoại mà chưa được bất kỳ ai ngoài OpenBMB kiểm chứng.

Điều gì sẽ thay đổi điều này: một lần chạy OSWorld hoặc WindowsAgentArena được tái tạo cho UI-Mate, thứ sẽ biến tuyên bố cốt lõi của nó từ tiếp thị thành một phép đo; và một bảng đánh giá cho MiniCPM-V 4.7, vốn hoàn toàn không tồn tại. Cho đến khi một trong những thứ đó xuất hiện, quyết định thuộc về sơ đồ kiến trúc của bạn chứ không phải bảng điểm nào — một bộ giải mã hay một bàn tay, và bạn nên biết mình đang thiếu thứ nào.