Từ 1,7B đến 35B: Chọn mô hình AI theo đúng tác vụ

Kích thước chỉ là điểm bắt đầu

Mô hình AI là hệ thống được huấn luyện để xử lý đầu vào như văn bản, hình ảnh hoặc âm thanh và tạo ra kết quả phục vụ một tác vụ cụ thể; số tham số chỉ là một trong nhiều yếu tố quyết định nó phù hợp đến đâu. Với người chọn mô hình, câu hỏi nên là cần đầu vào và kết quả nào, chứ không phải mô hình nào lớn nhất. LFM3-1.7B-Base có 1,73 tỷ tham số trên 24 lớp; MiniCPM5-2B có tổng cộng 2,52 tỷ tham số, trong đó 1,98 tỷ không tính embedding, trên 42 lớp. Hai mô hình được đặt cạnh nhau qua benchmark, nhưng phép đối chiếu cần thận trọng: bảng điểm nổi bật đo bản LFM3-1.7B đã qua huấn luyện hậu kỳ, không phải checkpoint Base trong tên bài. Vì vậy, kết quả ấy hữu ích để định hướng, không phải phán quyết toàn diện cho mọi phiên bản hay ứng dụng.

Trong 27 bài kiểm tra do Liquid công bố, LFM3-1.7B thắng 23 hạng mục còn MiniCPM5-2B thắng bốn; các lợi thế của LFM3 nổi bật ở tác vụ agent, sử dụng công cụ và ngữ cảnh dài, trong khi MiniCPM5 nhỉnh hơn ở một số bài kiến thức và hội thoại. Tuy nhiên, đây là điểm do nhà cung cấp tự báo cáo, chưa có kết quả tái lập độc lập được nêu trong tư liệu. Người cần mô hình AI nhỏ để thử nghiệm nên xem thêm loại tác vụ, quy trình kiểm thử và phiên bản checkpoint. Đừng áp bảng điểm của bản đã tinh chỉnh lên mô hình cơ sở, cũng đừng coi chênh lệch benchmark là bảo đảm hiệu năng trên dữ liệu thực tế của mình.

Âm thanh hay thị giác: chọn theo đầu vào

LFM3-Omni-2B và MiniCPM-V 4.7 35B-A3B đại diện cho hai ưu tiên khác nhau trong AI đa phương thức. LFM3-Omni-2B có 2,17 tỷ tham số dense, nhận văn bản, hình ảnh, video có hoặc không có âm thanh và âm thanh 16 kHz; đầu ra có thể là văn bản hoặc giọng nói 24 kHz, kể cả kết hợp hai dạng trong một phản hồi. Mô hình hỗ trợ 19 ngôn ngữ nói và 16 ngôn ngữ văn bản, nên phù hợp hơn khi micrô và phản hồi thành tiếng nằm trong sản phẩm. Đổi lại, đây là mô hình không suy luận theo thiết kế và giấy phép LFM Open License v1.0 có ngưỡng doanh thu. Người dùng sớm cũng cần tính đến việc mô hình mới chưa có cùng mức độ kiểm chứng thực địa như đối thủ.

MiniCPM-V 4.7 có 35,2 tỷ tham số lưu trữ nhưng khoảng 3 tỷ tham số hoạt động mỗi token nhờ kiến trúc hỗn hợp chuyên gia. Nó nhận hình ảnh, nhiều ảnh, video và văn bản rồi trả lời bằng văn bản; không có đường âm thanh tích hợp. Bù lại, mô hình có nhiều lựa chọn triển khai lượng tử hóa, gồm GGUF, AWQ, GPTQ, FP8 và INT4, cùng giấy phép Apache 2.0. Tài liệu mô hình nêu tốc độ hơn 13 token mỗi giây trên iPhone 17 Pro Max với khoảng 3 GB bộ nhớ, nhưng đó là tuyên bố của nhà cung cấp, không thay thế thử nghiệm trên thiết bị của bạn. Nếu tác vụ là tài liệu, biểu đồ, ảnh chụp màn hình hay khung hình video, MiniCPM-V là lựa chọn thiên về thị giác; nếu cần nghe và nói trong cùng một checkpoint, LFM3-Omni có lợi thế rõ hơn.

Tác vụ chuyên biệt có thể quan trọng hơn quy mô

WeVisOne-VL-2B và UI-Venus-2-9B nhắc rằng hai mô hình thị giác không nhất thiết làm cùng một việc. WeVisOne-VL-2B là mô hình tri giác khoảng 2 tỷ tham số trên nền Qwen3-VL: nó có thể trả về hộp, điểm, số đếm, vùng chữ, mặt nạ và alpha matte; muốn giải mã mặt nạ cần thêm thành phần mask decoder riêng. UI-Venus-2-9B có 9 tỷ tham số, nhưng chữ số 2 trong tên là thế hệ chứ không phải kích thước. Đây là tác nhân giao diện, nhận ảnh chụp màn hình cùng yêu cầu rồi tạo hành động như chạm, nhấp hoặc gõ, kèm dấu vết suy luận. Vì vậy, chọn WeVisOne cho việc tách nền hay phân đoạn ảnh không có nghĩa nó thay thế được tác nhân điều khiển ứng dụng; ngược lại, khả năng điều hướng giao diện của UI-Venus không tạo ra phần cắt ảnh sản phẩm.

Với WeVisOne, bài báo nêu khả năng tách nền tốt hơn trong so sánh được mô tả, đồng thời báo cáo riêng tỷ lệ từ chối: khi không trả lời, mô hình có thể xuất “None” thay vì đoán. Đây là lựa chọn đáng cân nhắc cho quy trình cần mặt nạ hoặc cần biết khi nào mô hình không chắc, nhưng bộ giải mã bắt buộc làm tăng độ phức tạp triển khai. UI-Venus hợp hơn với tự động hóa giao diện, song số tham số lớn hơn không chứng minh nó vượt trội trong các tác vụ tri giác. Tư liệu không đưa ra benchmark đối đầu trực tiếp giữa hai mô hình, cũng không có giá để so sánh. Hãy kiểm tra giấy phép, chi phí triển khai thực tế, độ trễ và khả năng từ chối trên bộ dữ liệu của chính bạn trước khi quyết định.

Buy if / Skip if

Hãy bắt đầu từ phương thức đầu vào và kết quả bắt buộc, rồi xác thực benchmark, giấy phép và chi phí vận hành trong đúng môi trường triển khai. Dưới đây là các điểm chọn và loại trừ thực tế.

• Buy the LFM3-1.7B-Base if bạn muốn thử nghiệm mô hình ngôn ngữ nhỏ và có thể tự đánh giá checkpoint cơ sở; Skip the LFM3-1.7B-Base if bạn định coi bảng điểm của bản đã huấn luyện hậu kỳ là kết quả bảo đảm cho Base.
• Buy the MiniCPM5 2B if các bài kiến thức, hội thoại nhiều lượt hoặc khả năng sử dụng công cụ phù hợp với nhu cầu của bạn; Skip the MiniCPM5 2B if bạn cần bằng chứng benchmark độc lập mà tư liệu hiện có chưa cung cấp.
• Buy the LFM3-Omni-2B if ứng dụng cần nghe, trả lời bằng giọng nói hoặc gói âm thanh và văn bản trong một checkpoint; Skip the LFM3-Omni-2B if giấy phép có ngưỡng doanh thu hoặc thiếu năng lực suy luận là trở ngại.
• Buy the MiniCPM-V 4.7 35B-A3B if công việc tập trung vào hình ảnh, video, tài liệu và bạn cần lựa chọn lượng tử hóa cùng giấy phép Apache 2.0; Skip the MiniCPM-V 4.7 35B-A3B if micrô và xử lý giọng nói tích hợp là yêu cầu bắt buộc.
• Buy the WeVisOne-VL-2B if bạn cần hộp, mặt nạ, tách nền hoặc alpha matte; Skip the WeVisOne-VL-2B if bạn cần mô hình tự nhấp và điều hướng giao diện.
• Buy the UI-Venus-2-9B if tác vụ là hành động trên ứng dụng hoặc trang web từ ảnh chụp màn hình; Skip the UI-Venus-2-9B if đầu ra bạn cần là mặt nạ phân đoạn hoặc phần cắt ảnh.