Pulse Local: Quản lý chi tiêu trên Mac với AI chạy hoàn toàn trên máy của bạn

Trong bối cảnh các ứng dụng tài chính ngày càng thu thập nhiều dữ liệu người dùng, một nhà phát triển tên Niz vừa giới thiệu Pulse Local — ứng dụng lập ngân sách cho Mac với điểm nhấn đáng chú ý: toàn bộ mô hình AI chạy ngay trên máy, không gửi câu hỏi hay sổ chi tiêu của bạn lên bất kỳ máy chủ nào.

Giao diện ứng dụng Pulse Local với trợ lý AI cục bộ

Điểm khác biệt: dữ liệu không rời khỏi máy

Phần lớn ứng dụng quản lý tài chính hiện nay hoặc lưu sổ chi tiêu trên máy chủ của họ, hoặc gửi câu hỏi của người dùng tới mô hình AI trực tuyến. Pulse Local chọn hướng ngược lại: cả sổ chi tiêu lẫn mô hình đều là những tệp tin nằm ngay cạnh nhau trên ổ đĩa của bạn.

Theo tác giả, ở chế độ Local, ứng dụng chỉ thực hiện hai loại yêu cầu mạng trong suốt vòng đời hoạt động:

• Tải mô hình AI trong lần khởi động đầu tiên, khoảng 2,9 GB (mô hình lớn nhất 2,5 GB dùng để kiểm tra mọi câu trả lời về tiền, có thể tắt trong phần Cài đặt)
• Kiểm tra và tải bản cập nhật mới — hoàn toàn có thể tắt

Không có phân tích hành vi (analytics) hay nhật ký sự cố (crash log) nào được gửi đi. Đây là điểm khiến Pulse Local khác biệt so với các ứng dụng "local-first" khác, vốn thường chỉ giữ sổ chi tiêu trên máy nhưng vẫn gửi câu hỏi của người dùng tới mô hình đám mây.

"Local" thường có nghĩa là dữ liệu của bạn. Nhưng không phải câu hỏi của bạn.

Cách AI trả lời câu hỏi về chi tiêu

Kiến trúc của Pulse Local khá thú vị khi chia nhỏ vai trò giữa mô hình và mã nguồn:

• Khi bạn đặt câu hỏi, một mô hình Qwen3 0.6B đã được tinh chỉnh sẽ đọc câu hỏi thành một truy vấn có cấu trúc
• Mã nguồn, chứ không phải mô hình, mới là thành phần thực hiện phép tính tiền tệ trên sổ chi tiêu
• Một mô hình kiểm tra 4B đọc lại từng câu trả lời về tiền; khi hai lần đọc không khớp nhau, ứng dụng sẽ nói rằng nó không chắc chắn thay vì đoán bừa

Tác giả cho biết cách tiếp cận này đã giảm tỷ lệ trả lời sai từ khoảng 1/5 xuống còn 5/494 câu hỏi trong ba lần kiểm thử gần nhất. Các trọng số mô hình đã tinh chỉnh được công bố công khai trên Hugging Face.

Ảnh minh họa tính năng theo dõi chi tiêu

Ứng dụng lập ngân sách đầy đủ, không chỉ là bản demo quyền riêng tư

Điểm đáng ghi nhận là Pulse Local không chỉ dừng ở câu chuyện bảo mật. Đây là một ứng dụng lập ngân sách hoàn chỉnh với đầy đủ các tính năng quen thuộc:

• Kế hoạch và mục tiêu chi tiêu
• Quy tắc phân loại tự động
• Chuyển số dư (rollover) và tách giao dịch (splits)
• Dòng tiền và dự báo tài chính
• Theo dõi thói quen chi tiêu

Người dùng có thể nhập tệp CSV từ bất kỳ ngân hàng nào, với bất kỳ loại tiền tệ nào. Ứng dụng hỗ trợ 75 quốc gia trong danh sách chọn, giữ nguyên đơn vị tiền tệ gốc và không bao giờ quy đổi. Định dạng số cũng được viết theo đúng cách của từng quốc gia — ví dụ 1.234,56 € ở Berlin hay ¥1,311 ở Tokyo.

Hạn chế cần biết trước khi dùng

Tác giả khá thẳng thắn về các điểm yếu của sản phẩm:

• Lần khởi động đầu tiên cần tải khoảng 2,9 GB mô hình
• Khi bật chế độ kiểm tra, mỗi câu trả lời về tiền mất 12 đến 14 giây
• Các mô hình nhỏ vẫn có thể hiểu sai câu hỏi mở
• Ứng dụng chỉ trả lời bằng tiếng Anh
• Hiện chỉ hỗ trợ Mac với chip Apple Silicon (Windows sẽ ra mắt sau), không hỗ trợ Mac Intel cũ

Chế độ Connected và mô hình giá

Bên cạnh chế độ Local miễn phí, Pulse Local có chế độ Connected tùy chọn qua Sync Pass giá 29 USD/năm, đồng bộ với ngân hàng Mỹ thông qua Plaid. Trong chế độ này, giao dịch đi qua bộ nhớ của máy chủ nhưng không được lưu trữ — máy chủ chỉ giữ mã kết nối và trạng thái kết nối.

Bản thân ứng dụng là miễn phí với mọi tính năng. Nhà phát triển đưa ra các mức đóng góp tùy chọn (20 USD, 40 USD hoặc số tiền tự chọn) để duy trì việc nghiên cứu và tinh chỉnh mô hình, nhưng mọi nút đều dẫn tới cùng một bản tải xuống và không có tính năng nào bị khóa sau khoản đóng góp.

Góc nhìn cho người dùng Việt Nam

Với người dùng Việt Nam, Pulse Local gợi mở một hướng đi đáng quan tâm: AI cá nhân chạy cục bộ cho các lĩnh vực nhạy cảm. Dù ứng dụng hiện chưa hỗ trợ đồng bộ ngân hàng Việt Nam và mới chỉ chạy trên Mac, việc nhập CSV từ bất kỳ ngân hàng nào vẫn khả thi về mặt kỹ thuật.

Đáng chú ý hơn, đây là ví dụ cho thấy các mô hình ngôn ngữ nhỏ (0,6B và 4B tham số) hoàn toàn có thể đảm nhận tác vụ thực tế nếu được thiết kế đúng cách — kết hợp giữa mô hình tinh chỉnh, mã nguồn xử lý logic và cơ chế kiểm tra chéo. Đây có thể là bài học thiết kế hữu ích cho các nhà phát triển ứng dụng AI tại Việt Nam đang tìm cách cân bằng giữa chi phí, quyền riêng tư và độ chính xác.

Ứng dụng hiện ở giai đoạn beta, được Apple ký số và notarize, và tác giả đang kêu gọi phản hồi — đặc biệt về các câu trả lời sai và những câu hỏi mà ứng dụng lẽ ra phải xử lý được nhưng chưa làm được.