Vyb: Mô hình thiết kế đầu tiên của Coco Labs tạo đồ họa tiếp thị trong các lớp có thể chỉnh sửa

Coco Labs đã công bố Vyb vào ngày 20 tháng 10 năm 2026: một mô hình thiết kế xây dựng đồ họa tiếp thị theo từng phần tử thay vì vẽ một hình ảnh phẳng. Định hướng chào hàng thì hẹp và cụ thể. Chỉ cần cung cấp cho Vyb website hoặc các tệp tài nguyên của một thương hiệu một lần, và mọi thiết kế nó tạo ra đều được trả về dưới dạng một chồng lớp có thể chỉnh sửa — tiêu đề là một đối tượng văn bản bạn có thể gõ lại, logo là một vector, ảnh sản phẩm là các pixel gốc ở độ phân giải đầy đủ. Thay đổi tiêu đề và không có gì khác trong tệp dịch chuyển. Các đợt ra mắt công cụ thiết kế hiếm khi công bố cách pipeline thất bại trong môi trường sản xuất, và các sự cố được ghi nhận được lập danh mục trong the OrcaRouter AI Incident Archive trong đó mỗi mục mang theo nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Câu cuối cùng đó chính là toàn bộ sản phẩm. Bất kỳ ai từng thử sửa lỗi chính tả trong một mẫu quảng cáo do AI tạo ra đều biết giải pháp thay thế: chạy lại lời nhắc, nhận được một thiết kế hơi khác, và làm mất bố cục mà bạn đã phê duyệt trước đó. Vyb là nỗ lực của Coco Labs nhằm chấm dứt vòng lặp đó, và đây là lần đầu tiên công ty phát hành một mô hình, dưới bất kỳ hình thức nào.

Những gì thực sự đã được phát hành

Bài đăng ra mắt do David Zats và Anusha Ramesh viết, mô tả Vyb là “mô hình thiết kế đầu tiên hiểu được gu thẩm mỹ của người dùng”. Cơ chế quan trọng hơn câu khẩu hiệu. Vyb dựng nên một thiết kế ở định dạng nội bộ mà Coco Labs gọi là Cocolang — một mô tả súc tích, có cấu trúc về thiết kế mà cả con người lẫn mô hình đều có thể đọc và chỉnh sửa. Văn bản, hình dạng vector và hình ảnh giữ nguyên định dạng gốc bên trong cấu trúc đó thay vì bị làm phẳng thành một ảnh raster duy nhất. Vì đầu ra có cấu trúc, nó có thể được xuất “không mất dữ liệu” sang các công cụ thiết kế bên ngoài như Figma, nơi mỗi phần tử xuất hiện trên lớp riêng của nó.

Vyb cũng có thể gọi các trình tạo hình ảnh và công cụ chỉnh sửa khi một tác vụ cần thứ mà nó không thể tự vẽ, đây là cách phân công lao động hợp lý: tạo bức ảnh, đặt nó làm một lớp, giữ chữ và bố cục sắc nét xung quanh nó.

Những gì chưa được phát hành cũng gần như quan trọng không kém. Không có bảng giá niêm yết. Không có API công khai. Không có số lượng tham số được công bố, không có mô tả kiến trúc và không có tiết lộ dữ liệu huấn luyện nào ngoài việc Coco Labs đã xây dựng một pipeline độc quyền cho các thiết kế nhiều lớp vì có rất ít thiết kế nhiều lớp công khai để huấn luyện. Quyền truy cập được thực hiện qua danh sách chờ, và khi tham gia, bạn sẽ nhận được $10 tín dụng tạo. Tại thời điểm viết bài, sản phẩm đã được công bố và chỉ dành cho người được mời, chưa được cung cấp rộng rãi.

Ba con số mà Coco Labs đang dùng để dẫn đầu

Coco Labs đã công bố một benchmark mà họ gọi là VybBench, bao gồm 145 phông chữ G​oogle, 100 màu và 200 chỉnh sửa so với ba đối thủ: ChatGPT Image (gpt-image-2.5), Muse (muse-image) và Recraft v4.1. Tất cả các số liệu dưới đây đều do nhà cung cấp báo cáo. Chưa có ai bên ngoài Coco Labs chạy chúng, và tác giả của benchmark là công ty có mô hình giành chiến thắng trong đó.

• Độ trung thực phông chữ — điểm khớp hình dạng so với bản kết xuất bằng chương trình của cùng một từ: Vyb 90,3%, ChatGPT Image 76,0%, Muse 50,9%, Recraft 46,2%. Coco Labs đã đo mức trần nhiễu là 94,4% bằng cách chấm điểm các bản kết xuất giống hệt nhau với nhau, vì vậy 90,3% là gần với mức tối đa thực tế trong bài kiểm tra này.

• Độ trung thực màu — sai số tối đa trung bình trên mỗi kênh trên thang 255, càng thấp càng tốt: Vyb 0.00, ChatGPT Image 3.94, Muse 5.67, Recraft 27.19. Ở đây có thể đạt đúng bằng không vì màu có thể được ghi dưới dạng giá trị thay vì được vẽ ra; đó là công của định dạng phân lớp, không phải của một họa sĩ giỏi hơn.

• Tính cục bộ của chỉnh sửa — tỷ lệ trung bình số pixel bị thay đổi qua 200 hướng dẫn chỉnh sửa: Vyb 11,9%, ChatGPT Image 95,5%, Muse 91,8%, Recraft 98,9%. Một giám khảo LLM độc lập cũng đã chấm điểm liệu từng chỉnh sửa được yêu cầu có thực sự được hoàn thành hay không: Vyb 94,7%, ChatGPT Image 100%, Muse 98,0%, Recraft 50,3%.

Hãy đọc kỹ hàng thứ ba, vì đây là hàng quyết định liệu sản phẩm có thật hay không. Một mô hình pixel-diff không thể vô tình thay đổi 11,9% một hình ảnh; nó thay đổi gần như mọi thứ vì nó tái tạo gần như mọi thứ. Vyb thay đổi rất ít vì nó đang chỉnh sửa một tài liệu. Tỷ lệ chấp nhận 94,7% bên cạnh mức 100% của ChatGPT Image chính là cái giá trung thực của điều đó: Vyb đôi khi từ chối một chỉ dẫn mà nó đánh giá là thiết kế tồi, chẳng hạn như một thay đổi khiến văn bản không thể đọc được, và bộ đánh giá đã tính lần từ chối đó là một lần trượt.

Coco Labs công bố một điểm bất đối xứng về phương pháp luận trong bộ đánh giá của chính mình: Vyb nhận đầu vào SVG có phân lớp cho bài kiểm tra chỉnh sửa, trong khi ba mô hình còn lại nhận PNG đã làm phẳng, vì chúng không thể chấp nhận các lớp. Đó không phải là một mánh khóe — mà chính là sự khác biệt đang được đo — nhưng điều đó có nghĩa là phép so sánh đang kiểm tra hai hợp đồng đầu vào khác nhau, chứ không phải hai mô hình được giao cùng một công việc giống hệt nhau.

Lập luận bên dưới điểm chuẩn

Bài đăng ra mắt của Vyb dành một đoạn để công kích một cách tiếp cận của đối thủ, và đáng để dẫn lại dạng lập luận của nó hơn là nguyên văn. Tuyên bố đưa ra là việc chuyển một hình ảnh phẳng đã hoàn thiện trở lại thành các lớp — tức tách lớp (de-layering) — không thể khôi phục được lớp văn bản hay lớp vector thực sự, bởi văn bản trong một hình ảnh phẳng chỉ là pixel, còn bất kỳ vùng nào bị ẩn sau một phần tử khác đều phải được đoán. Coco Labs lập luận rằng cách duy nhất để có một chồng lớp thực sự là tạo ra nó, và rằng việc phân rã hậu nghiệm chỉ là một bản demo không đứng vững khi tiếp xúc với các tệp thực tế của một thương hiệu.

Đó là một quan điểm có thể biện minh được, và nó cũng là một quan điểm tiếp thị từ công ty đang bán giải pháp thay thế. Đúng là văn bản được raster hóa thành một hình ảnh phẳng không thể được gõ lại với độ trung thực hoàn hảo so với các số đo phông chữ gốc. Cũng đúng là hầu hết các nhóm tiếp thị đã có một thư viện các tài sản phẳng đã được phê duyệt mà họ rất muốn làm cho có thể chỉnh sửa, và Vyb không có gì để cung cấp cho họ đối với những tệp đó. Hai cách tiếp cận giải quyết các vấn đề khác nhau, và bài đăng ra mắt được viết như thể chỉ một trong hai mới đáng kể.

Vị trí của nó trong một quy trình làm việc thực tế

Một mô hình thiết kế theo lớp không loại bỏ phần còn lại của quy trình. Vẫn phải có người viết tiêu đề, quyết định ưu đãi và kiểm tra xem tuyên bố đó có hợp pháp ở thị trường mà nó được triển khai hay không. Điều Vyb thay đổi là bước sau đó: nội dung quảng cáo được đặt dưới dạng văn bản, bằng phông chữ của thương hiệu, trong một bố cục mà nhà thiết kế có thể điều chỉnh thay vì bị tạo lại bằng một prompt.

Nửa văn bản của pipeline đó cũng chính là nửa mà một router có thể phục vụ. OrcaRouter chạy một API duy nhất xuyên suốt hơn 200 mô hình, với giá niêm yết của nhà cung cấp được chuyển nguyên đến người dùng ở mức markup 0%, nhờ đó mô hình viết tiêu đề và mô hình kiểm tra tiêu đề đó theo các quy tắc thương hiệu có thể nằm sau một khóa duy nhất mà không cần hợp đồng thứ hai. Chuyển đổi dự phòng tự động quan trọng ở đây vì một lý do rất đơn giản: một bước tạo nội dung bị lỗi giữa lô sẽ để lại một tác vụ thiết kế với một lớp trống, và một mô hình dự phòng tốn ít chi phí hơn một hàng đợi bị đình trệ. Bản thân Vyb không thể được gọi qua bất kỳ router nào — nó không có API công khai — nên kiến trúc thẳng thắn vào cuối năm 2026 là một mô hình văn bản cho phần chữ và Vyb, khi bạn đã có quyền truy cập, cho phần hình ảnh.

Điều gì vẫn chưa được chứng minh?

Bốn điều, theo thứ tự giảm dần về mức độ chúng nên ảnh hưởng đến quyết định mua hàng.

• Giá. Không có bảng giá nào. Coco Labs đang tặng $10 tín dụng cho những người tham gia danh sách chờ, điều này không cho bạn biết gì về chi phí của một chiến dịch hoàn chỉnh.

• Kiểm thử độc lập.Mọi con số trong bài viết này đều đến từ nhà cung cấp. Bài đánh giá chuẩn phông chữ chỉ bao gồm các phông chữ Google có sẵn công khai; Coco Labs cho biết họ kỳ vọng khoảng cách sẽ nới rộng đối với phông chữ thương hiệu tùy chỉnh nhưng không đo những phông này, mà đó chính xác là trường hợp mà một thương hiệu quan tâm.

• Độ trung thực của tệp trong thực tế. “Xuất không mất dữ liệu sang Figma” là một lời khẳng định về trình xuất, chứ không phải về việc cây lớp thu được có phải là thứ mà một nhà thiết kế muốn làm việc trong đó hay không. Chưa có ai bên ngoài công ty từng mở một trong những tệp này.

• Phạm vi. Buổi ra mắt giới thiệu áp phích, quảng cáo, thẻ trích dẫn và thông báo. Tài liệu nhiều trang, khuôn bế bao bì và bất kỳ nội dung nào có cấu hình màu in vẫn chưa được đề cập trong tài liệu đã công bố cho đến nay.

Không điều nào trong số đó khiến sản phẩm thành một lời hứa suông. Một mô hình thiết kế có đầu ra là tài liệu chứ không phải hình ảnh thực sự là một phạm trù khác biệt với công cụ tạo ảnh, và con số về tính cục bộ của chỉnh sửa là kiểu kết quả chỉ có thể đến từ kiến trúc đó. Nhưng một danh sách chờ và một bài đánh giá chuẩn của nhà cung cấp chỉ là một thông báo, không phải thành tích đã được chứng minh, và câu hỏi hữu ích cho một nhóm marketing không phải là liệu Vyb có vượt ChatGPT Image về phông chữ hay không — mà là liệu các tệp nó tạo ra có giúp nhà thiết kế tiết kiệm nhiều thời gian hơn so với chi phí làm lại bố cục bằng tay hay không. Câu hỏi đó sẽ được trả lời khi danh sách chờ mở, và không phải trước đó.

Xem gì

Ba tín hiệu sẽ đưa Vyb từ chỗ "thú vị" sang chỗ được thực sự áp dụng. Một mức giá được công bố theo từng thiết kế hoặc theo credit, để có thể so sánh chi phí với mức phí theo giờ của một freelancer. Một bài kiểm chuẩn về font tùy chỉnh, bởi mọi thương hiệu thực thụ đều dùng ít nhất một bộ typeface không có trên Google Fonts. Và một API, bởi khoảnh khắc Vyb có thể được gọi, nó không còn là một công cụ nữa mà trở thành một thành phần có thể được định tuyến song song với mọi thứ khác trong một pipeline nội dung. Cho đến lúc đó, khoản credit 10 đô là cách rẻ nhất để tìm hiểu xem cây layer có sạch đúng như bài kiểm chuẩn ngụ ý hay không.