Chọn mô hình AI cho tác nhân Android: 6 lựa chọn theo tác vụ

Chọn mô hình theo tác vụ trên điện thoại

Mô hình AI tốt nhất cho tác nhân phụ thuộc vào việc tác nhân phải hoàn thành. Một yêu cầu tạo ghi chú cần chọn đúng công cụ và giữ nguyên nội dung. Một yêu cầu dựa trên ảnh màn hình cần mô hình hiểu hình ảnh. Tác vụ nhiều bước còn cần bộ thực thi trên điện thoại, quyền truy cập, điểm phê duyệt và cách kiểm tra kết quả. Vì vậy, hãy bắt đầu từ tác vụ rồi mới chọn mô hình và đường kết nối.

Bốn ứng viên đầu là các đường API tổng quát. Hai ứng viên cuối hướng tới giao diện đồ họa và cần thêm hệ thống để biến đầu ra thành thao tác. Với người chỉ muốn dùng tác nhân trên điện thoại, mô hình mặc định của FoneClaw là điểm bắt đầu có sẵn; việc thay bằng một tên trong bảng cần kiểm tra khả năng tương thích của endpoint hoặc mô hình trên chính đường triển khai dự định dùng.

Bốn mô hình API cho tác nhân dùng công cụ

GPT-6 Sol là lựa chọn cân bằng giữa khả năng suy luận và chi phí trong danh mục mô hình hiện hành của OpenAI. Tài liệu API của GPT-6 Sol ghi mã mô hình gpt-6-sol, hỗ trợ đầu vào văn bản và ảnh, gọi hàm và đầu ra có cấu trúc. Nếu cần công cụ tích hợp hoặc gọi hàm, nhà phát triển dùng Responses API. Đường gọi hàm qua Chat Completions có điều kiện reasoning_effort là none. Chi tiết này cần kiểm tra ngay trong bộ kết nối: cùng một tên mô hình chưa đủ để bảo đảm yêu cầu gọi công cụ được gửi đúng định dạng.

Claude Opus 5.5 được Anthropic công bố ngày 22 tháng 9 năm 2026 với mã API claude-opus-5-5 trên Claude Platform, đồng thời có đường cung cấp qua các nền tảng đám mây lớn. Tổng quan mô hình Claude nêu khả năng nhận văn bản, ảnh và dùng công cụ; Opus 5.5 được định vị cho công việc tri thức và tác vụ tác nhân kéo dài. Đó là lý do để thử nó với yêu cầu nhiều bước hoặc chỉ dẫn phức tạp. Claude dùng Messages API riêng, nên ứng dụng chỉ nhận giao thức tương thích OpenAI sẽ cần một bộ kết nối phù hợp. Kết quả trên máy chủ của nhà cung cấp không tự xác nhận hiệu quả trên điện thoại.

Gemini 3.8 Flash có endpoint ổn định gemini-3.8-flash. Theo tài liệu mô hình của Google, nó nhận văn bản, ảnh, video, âm thanh và PDF, trả văn bản, đồng thời hỗ trợ gọi hàm và đầu ra có cấu trúc. Khả năng dùng máy tính của endpoint này còn ở trạng thái xem trước. Gemini Live và tạo âm thanh không thuộc endpoint gemini-3.8-flash; tính năng của ứng dụng Gemini dành cho người dùng cũng không tự xuất hiện khi gọi API mô hình. Nếu việc trên điện thoại cần xử lý ảnh và trả về một kế hoạch hoặc lệnh công cụ, hãy kiểm tra đúng dữ liệu đầu vào cùng định dạng hàm mà đường API này chấp nhận.

Grok 4.7 dùng mã API grok-4.7. Tài liệu mô hình của xAI ghi đầu vào văn bản và ảnh, đầu ra văn bản, gọi hàm, đầu ra có cấu trúc và mức suy luận có thể cấu hình. Đây là ứng viên để so sánh khi tác vụ cần đọc ảnh rồi chọn một công cụ có đối số cụ thể. Hãy kiểm tra tài khoản API, định dạng phản hồi và quyền sử dụng của nhà cung cấp trước khi đưa vào ứng dụng Android.

Cả bốn mô hình đều có năng lực được nhà cung cấp mô tả, nhưng tác nhân điện thoại còn cần bộ kết nối API, lược đồ công cụ và bộ thực thi. Gói thuê bao ứng dụng trò chuyện của nhà cung cấp không mặc nhiên cấp quyền sử dụng API. Chọn mô hình theo đúng endpoint bạn có thể gọi, không theo tính năng thấy trong ứng dụng tiêu dùng.

Hai mô hình chuyên tương tác màn hình

AutoGLM-Phone-9B-Multilingual là mô hình mở chuyên hiểu màn hình điện thoại và đề xuất thao tác trên giao diện, theo trang mô hình của nhóm phát triển. Mô hình này khác với khung Phone Agent thực hiện hành động. Hướng dẫn Open-AutoGLM mô tả cả dịch vụ mô hình được lưu trữ sẵn lẫn cách tự phục vụ mô hình bằng vLLM; khung tác nhân vẫn cần kết nối ADB với thiết bị để thực hiện thao tác. Khung cũng có bước xác nhận hành động nhạy cảm và chuyển cho người dùng khi cần đăng nhập hoặc xác minh.

Nếu bạn định tự triển khai, “chạy cục bộ” trong hướng dẫn có thể nghĩa là chạy máy chủ mô hình trên hạ tầng của mình, không phải suy luận ngay trên điện thoại Android. Cần kiểm tra riêng khả năng tính toán, bộ nhớ, điều khoản sử dụng, đường kết nối thiết bị và cách ánh xạ hành động. Trọng số 9B không tự trở thành một ứng dụng điện thoại hay một mô hình có thể nhập thẳng vào FoneClaw.

GUI-Owl-1.5 là họ mô hình giao diện cho di động, máy tính và trình duyệt trong kho Mobile-Agent của nhóm phát triển. GUI-Owl-1.5-8B-Instruct là một lựa chọn trọng số được công bố. Mobile-Agent-v3.5 là hệ thống tác nhân đi kèm, dùng mô hình trong quy trình tương tác với giao diện. Kho dự án có đường suy luận trực tuyến và bản trình diễn điện thoại đám mây; thao tác trong môi trường đám mây không chứng minh hệ thống đã điều khiển được chiếc điện thoại của bạn.

Với cả hai họ mô hình, hãy phân biệt bốn lớp: trọng số tạo quyết định, dịch vụ phục vụ mô hình, lược đồ mô tả hành động và bộ thực thi trên thiết bị. Mỗi lớp có thể là một điểm không tương thích. Chúng phù hợp để nghiên cứu tác nhân thao tác giao diện khi bạn có khả năng triển khai khung đi kèm, thay vì xem như lựa chọn thay thế trực tiếp cho một endpoint gọi công cụ đa dụng.

Bảy tiêu chí chọn mô hình

Khi chọn mô hình tác nhân Android, hãy giữ cùng một bộ tiêu chí cho mọi ứng viên. Khả năng viết câu trả lời trôi chảy chỉ là một phần nhỏ của tác vụ có công cụ.

1. Gọi công cụ: mô hình có chọn đúng công cụ, điền đúng trường dữ liệu và đọc kết quả trả về không?
2. Làm theo chỉ dẫn: yêu cầu “chỉ tạo bản nháp” có được giữ nguyên qua các bước, kể cả khi có công cụ gửi tin nhắn không?
3. Độ trễ: người dùng phải chờ bao lâu từ lúc ra lệnh đến khi thấy kết quả có thể xác nhận?
4. Quản lý ngữ cảnh: mô hình có giữ đúng người nhận, ngày, trạng thái ứng dụng và thông tin vừa đọc trên màn hình không?
5. Đa phương thức: tác vụ cần ảnh hoặc màn hình thì endpoint có nhận đầu vào hình ảnh ở đúng đường triển khai không?
6. Chi phí: tổng chi phí cho một tác vụ gồm bao nhiêu lượt gọi, token, công cụ và hạ tầng?
7. Phục hồi: khi thiếu quyền, công cụ lỗi hoặc tác vụ bị gián đoạn, mô hình có dừng, hỏi lại và tránh báo hoàn tất sai không?

Khả dụng theo tài khoản và khu vực là điều kiện lọc trước các bài thử này. Mô hình có thể phù hợp về năng lực nhưng không dùng được qua endpoint hoặc nhà cung cấp mà ứng dụng của bạn hỗ trợ. Với thao tác GUI, còn phải kiểm tra bộ thực thi có hiểu đúng hành động mà mô hình tạo ra hay không.

So chi phí và thời gian hoàn tất tác vụ

Giá niêm yết theo token là điểm đầu, không phải toàn bộ chi phí của một tác nhân. OpenAI, Anthropic, Google và xAI công bố điều kiện theo từng mô hình. Khi so giá, hãy đối chiếu cùng đơn vị đầu vào và đầu ra, rồi tính thêm ngữ cảnh dài, phần suy luận, bộ nhớ đệm, công cụ, vùng xử lý, tầng dịch vụ và chi phí phục vụ mô hình nếu tự triển khai. Mức phí và điều kiện tại thời điểm thanh toán có thể khác.

Thời gian phản hồi cũng cần đo từ lệnh của người dùng đến kết quả cuối cùng trên cùng thiết bị, cùng mạng và cùng tác vụ. Một tác nhân có thể trả chữ đầu tiên nhanh nhưng mất thêm thời gian do gọi sai công cụ hoặc phải làm lại. Hãy ghi cả số lần thử lại, bước chờ phê duyệt và việc kết quả đã được xác nhận hay chưa. Những số đo đó hữu ích hơn một xếp hạng tốc độ không gắn với điện thoại của bạn.

Chọn đường mô hình trong FoneClaw

Trong FoneClaw, mô hình được cấu hình đảm nhiệm phần suy luận và lập kế hoạch. Chúng tôi cung cấp các công cụ Android được hỗ trợ và quản lý lược đồ công cụ, quyền cùng phê duyệt cần thiết để thực hiện thao tác. Nhờ vậy, bạn có thể phân biệt một kế hoạch nghe hợp lý với một hành động thực sự đã chạy và có kết quả để xem lại.

Có ba đường chọn mô hình. Người dùng có thể bắt đầu bằng mô hình mặc định miễn phí. Nếu có tài khoản và endpoint phù hợp, bạn có thể cấu hình mô hình trực tuyến tương thích theo điều kiện của nhà cung cấp. FoneClaw cũng có đường nhập mô hình chạy trên thiết bị tương thích; đường này phụ thuộc khả năng của thiết bị và định dạng mô hình được hỗ trợ. Việc công cụ Android chạy trên máy không có nghĩa mọi suy luận của một mô hình trực tuyến đều ở lại trên máy.

Một mô hình xuất hiện trong danh sách ở trên chưa mặc nhiên kết nối được với FoneClaw. Trước khi đổi đường mô hình, hãy xác minh giao thức API, cách xác thực, khả năng gọi công cụ, định dạng đối số và cách mô hình xử lý kết quả công cụ. Với trọng số chuyên giao diện, cần thêm bước kiểm tra lược đồ hành động và bộ thực thi; đường nhập mô hình trên thiết bị không biến một khung ADB hay máy chủ vLLM thành tính năng có sẵn trong ứng dụng.

Để thiết lập một endpoint tương thích, bài Kết nối API mô hình AI với tác nhân Android trong FoneClaw đi vào các bước cấu hình và xác minh. Bạn có thể xem các tính năng FoneClaw và trang tải FoneClaw cho Android để đối chiếu đường mô hình với các công cụ và điều kiện trên thiết bị mình dùng.

Thử tác vụ trước khi đổi mô hình mặc định

Hãy chuẩn bị vài tác vụ không nhạy cảm, có thể kiểm tra kết quả và dùng cùng một bộ yêu cầu cho mỗi đường mô hình. Bắt đầu bằng việc đọc một thông tin trên màn hình hoặc trong công cụ được hỗ trợ. Tiếp theo, yêu cầu tạo ghi chú và chuẩn bị một bản nháp chưa gửi. Sau đó thử một hành động cần phê duyệt, từ chối quyền một lần, gián đoạn giữa chừng và xem mô hình có tiếp tục đúng trạng thái hay không.

Ghi lại thời gian hoàn tất, số lần gọi lại công cụ, lỗi đối số và kết quả cuối trên chính điện thoại của bạn. Bài Benchmark phone agent Android: cách đánh giá mobile agent đáng tin cậy năm 2026 giúp mở rộng phép thử thành quy trình đánh giá có thể lặp lại. Nếu bạn cần phân tuyến các mô hình khác nhau theo loại việc thay vì đổi một mô hình mặc định cho mọi yêu cầu, bài Định tuyến mô hình cho tác nhân điện thoại: Kimi, DeepSeek, GLM và FoneClaw trình bày cách tiếp cận đó.