Computer Use Cần System 1, Không Phải LLM Khổng Lồ

Sử dụng một mô hình ngôn ngữ khổng lồ với hàng trăm tỷ tham số chỉ để quyết định xem có nên đánh dấu vào một ô checkbox hay bấm nút gửi biểu mẫu là một sai lầm về mặt kiến trúc phần mềm. Sự xuất hiện của CUA-S1 từ dự án mã nguồn mở Cua đã chỉ ra một hướng đi thực tế hơn cho tự động hóa máy tính: tách biệt hoàn toàn giữa khả năng lập luận cấp cao và phản xạ chấm điểm thao tác trên giao diện người dùng.

Trong suốt hai năm qua, làn sóng Computer-Use Agent chủ yếu xoay quanh việc biến mọi cú click chuột và gõ phím thành một bài toán sinh văn bản (text generation). Quy trình quen thuộc là: chụp ảnh màn hình, đưa vào mô hình thị giác đa phương thức (VLM), giải mã tọa độ pixel qua chuỗi token tự hồi quy, rồi trả về một lời gọi hàm (tool call). Cách tiếp cận này vừa đắt đỏ, vừa chậm chạp, lại tiềm ẩn vô số điểm gãy.

Điểm Nghẽn Khi Điều Khiển GUI Bằng Mô Hình Sinh Tự Hồi Quy

Cơ chế tự hồi quy (autoregressive) sinh ra từng token nối tiếp nhau dựa trên toàn bộ ngữ cảnh phía trước. Đây là sức mạnh cốt lõi giúp LLM viết văn, dịch thuật hay giải toán phức tạp, nhưng lại là sự lãng phí tài nguyên nặng nề đối với các thao tác giao diện có cấu trúc rõ ràng.

Khi một tác tử AI đối mặt với một biểu mẫu đăng ký khám bệnh hoặc trang thanh toán thương mại điện tử, bài toán thực chất rất hạn chế và rời rạc. Nó chỉ cần thực hiện các lựa chọn cục bộ: điền một trường thông tin đã có (như số điện thoại, ngày sinh trích xuất từ tài liệu), tích vào ô xác nhận, bấm nút xác nhận hoặc bỏ qua các trường không liên quan.

Việc gửi từng thao tác vi mô này lên các API đám mây khổng lồ mang lại ba vấn đề nghiêm trọng:

1. Độ trễ quá lớn: Thời gian gửi nhận qua mạng kết hợp với tốc độ sinh token từng bước khiến mỗi thao tác nhỏ mất từ 2 đến 5 giây.
2. Chi phí token tích tụ: Việc liên tục nhồi ảnh chụp màn hình độ phân giải cao qua hàng chục bước trung gian làm tiêu tốn lượng ngân sách khổng lồ.
3. Tính bất định và rủi ro ảo tưởng: Một mô hình sinh chữ có thể sinh sai lệch tọa độ, tự nghĩ ra các nút bấm không tồn tại hoặc rơi vào vòng lặp vô tận chỉ vì một thay đổi nhỏ của giao diện.

CUA-S1 Hoạt Động Ra Sao Dưới Vai Trò System 1?

Dựa trên thuyết hai hệ thống tư duy của Daniel Kahneman, nhóm phát triển Cua xây dựng mô hình theo tư duy "System 1"—nhanh chóng, trực xạ và tự động. Phiên bản đầu tiên (cua-s1-forms) không sinh ra bất kỳ văn bản nào, mà hoạt động như một bộ chấm điểm xác suất phương án (option scorer) trong một lượt truyền thẳng (single forward pass).

Ngữ cảnh (Nhiệm vụ + Phần tử UI) ──┐
                                   ├──> Bộ mã hóa Transformer 2 lớp ──> Logits (Softmax) ──> Hành động tối ưu
Danh sách các phương án hành động ──┘    (706k tham số / 2,8 MB)

Kiến trúc kỹ thuật của mô hình này gọn nhẹ đến bất ngờ:

• Toàn bộ mô hình chỉ có 706.048 tham số, kích thước file checkpoint vỏn vẹn 2,8 MB.
• Sử dụng bộ nhúng cấp byte (byte-level embedding) kết hợp với Transformer encoder 2 lớp (độ rộng 128, 4 attention heads).
• Cơ chế attention biến từng phương án hành động thành một truy vấn (query) vào vector ngữ cảnh, sau đó nhân tích vô hướng để tính logit cho từng phương án trong một lượt suy luận duy nhất.

Thay vì phải đợi LLM suy nghĩ và sinh chữ cho từng ô nhập liệu, CUA-S1 chấm điểm đồng thời toàn bộ các phần tử tương tác trên biểu mẫu trong một mẻ tính toán (batch). Trong các bài kiểm tra điền biểu mẫu, mô hình siêu nhỏ 2,8 MB này đạt độ chính xác lên đến 99,7% trên toàn bộ tập quyết định—vượt trội hơn hẳn các mô hình tổng quát cồng kềnh trong khi thời gian xử lý chỉ tính bằng mili-giây ngay trên máy cục bộ.

Ưu Tiên Mã Nguồn Tất Định Hơn Là Văn Bản Ngẫu Nhiên

Điểm sáng tạo trong thiết kế của Cua là sự phân định ranh giới rành mạch giữa việc chấm điểm quyết định và việc thực thi hành động. CUA-S1 không can thiệp vào thứ tự bấm, không quản lý cơ chế thử lại (retry) và không trực tiếp gọi API hệ điều hành. Nó chỉ làm đúng một nhiệm vụ: xuất ra xác suất cho từng lựa chọn.

Phần mã nguồn tất định (deterministic code) phía dưới sẽ nhận các giá trị xác suất này, chọn phương án cao nhất, sắp xếp thứ tự thực thi hợp lý (ví dụ: điền hết các ô chữ trước, tích các ô chọn, và cuối cùng mới bấm nút gửi) rồi chuyển lệnh tới driver điều khiển hệ điều hành (Cua Driver).

Sự phân tách này giải quyết triệt để bài toán về độ tin cậy trong tự động hóa. Khi logic nghiệp vụ, quy tắc an toàn và luồng điều khiển được giữ trong mã nguồn truyền thống, hệ thống có thể dễ dàng kiểm thử, ghi nhật ký (logging) và phục hồi khi gặp sự cố mà không lo mô hình AI hành xử khó đoán.

Xu Hướng Lai Trong Kiến Trúc AI Agent

Sự thành công của các mô hình chuyên biệt dưới 1 MB như CUA-S1 mở ra bức tranh rõ ràng cho tương lai của các trợ lý AI điều khiển máy tính:

• System 2 (Frontier LLM): Được gọi một cách có chọn lọc khi cần lập kế hoạch tổng thể, phân rã mục tiêu lớn, xử lý các tình huống mơ hồ hoặc phục hồi chiến lược khi gặp ngoại lệ phức tạp.
• System 1 (Mô hình vi mô cục bộ): Chạy thường trực ngay trên thiết bị biên với chi phí bằng không, đảm nhận việc quét giao diện, điền dữ liệu và chọn nút bấm ở tốc độ phần cứng.

Tiến bộ công nghệ trong kỷ nguyên AI không chỉ là cuộc đua mở rộng kích thước mô hình hay kéo dài cửa sổ ngữ cảnh. Đỉnh cao kỹ thuật nằm ở việc nhận biết đâu là nơi cần tư duy sâu sắc, đâu là nơi chỉ cần phản xạ nhanh và chính xác. Việc trao các thao tác giao diện cơ học cho các mô hình vi mô chuyên biệt chính là chìa khóa để đưa AI agent từ những bản demo ấn tượng trở thành công cụ sản xuất ổn định trong thực tế.

Nguồn tham khảo

1. github.com
2. huggingface.co