Dessa vs. Gemma 4 12B: Zwei Laptop-Modelle, nur eines lässt sich herunterladen

Der nützlichste Vergleich zwischen Dessa und Gemma 4 12B ist kein Benchmark-Wert. Es ist eine Datei. Gemma 4 12B — das Open-Weights-Modell von Google DeepMind mit 11,95 Milliarden Parametern, veröffentlicht als Gemma 4 12B Unified unter Apache 2.0 am 3. Juni 2026 — ist ein Checkpoint, den Sie heute Nachmittag herunterladen, auf einem 16-GB-Laptop ausführen und ohne jemanden fragen zu müssen feinabstimmen können. Dessa, das Block am 23. Oktober 2026 angekündigt hat, ist ein Full-Duplex-Sprachmodell, das laut Hersteller auf einem MacBook Pro M4 Max läuft – nur dass Sie es nicht herunterladen, aufrufen oder inspizieren können. Es steht hinter einer Warteliste – ohne Gewichte, ohne API, ohne Preis und ohne veröffentlichte Parameteranzahl.

Beide werden als lokale Modelle verkauft. Nur eines von ihnen wird tatsächlich ausgeliefert. Diese Unterscheidung strukturiert alles Weitere: was man bauen kann, was man messen kann und was „läuft auf einem Laptop“ überhaupt bedeutet.

Die kurze Antwort – und warum sie kurz ist

Wenn Ihr Ziel ist, in diesem Quartal etwas auszuliefern, das Text, Bilder, Audio oder Video verarbeitet, ist Gemma 4 12B von den beiden das einzige, das ein Produkt ist, das Sie verwenden können. Wenn Ihr Ziel ist, Full-Duplex-Sprache zu untersuchen – ein Modell, das zuhört, während es spricht, sich einmischt und unterbrochen wird, ohne den Faden zu verlieren –, ist Dessa das interessantere Artefakt, und Sie können es noch nicht haben.

Das klingt nach einer Abfuhr. Es ist eher eine Beschreibung zweier unterschiedlicher Reifegrade. Gemma 4 12B ist ein fertiges Open-Release mit Lizenz, Model Card und Benchmark-Tabelle. Dessa ist eine Forschungsvorschau mit einem Demo-Reel. Sie anhand ihrer Fähigkeiten zu vergleichen ist, als würde man eine ausgelieferte Kamera mit einem Laborprototyp vergleichen: Der Prototyp mag den besseren Sensor haben, aber nur mit einem von beiden lässt sich ein Foto machen, das man behalten kann.

Zwei Bedeutungen von „local“

Die lokale Geschichte von Gemma 4 12B ist konkret. Es ist ein dichtes Decoder-only-Modell mit einer einheitlichen Architektur ohne Encoder – 48 Schichten, Bild-Patches werden direkt projiziert, Audio wird ohne separaten Encoder verarbeitet. Google richtet es auf rund 16 GB Unified Memory aus, und die Gewichte sind auf Hugging Face in BF16 verfügbar, wobei GGUF-, MLX- und weitere Community-Builds folgen. Sie können es offline ausführen – im Flugzeug, ohne Konto.

Dessas Geschichte zur lokalen Ausführung ist ein Satz auf einer Seite: Die Inferenz läuft auf einem MacBook Pro M4 Max oder besser schneller als in Echtzeit. Es gibt keine Speicherangabe, keine Quantisierung, keine Dateigröße und keinen Download. Die Behauptung mag völlig wahr sein. Sie ist von außen aber auch nicht falsifizierbar, denn „läuft lokal“ in einem Herstellerbeitrag kann bedeuten „unsere Forscher haben es auf einem Laptop vorgeführt“ statt „Sie werden es auf Ihrem ausführen“. Bis es eine Gewichtsdatei oder ein Installationsprogramm gibt, ist die ehrliche Lesart die erste.

Man hört, man unterhält sich.

Der architektonische Unterschied ist schärfer als die Parameterlücke. Gemma 4 12B ist ein multimodaler Leser: Text, Bild, Audio und Video gehen hinein; Text kommt heraus. Sein Audioeingang ist auf 30 Sekunden pro Clip begrenzt, sein Videoeingang auf etwa 60 Sekunden bei einem Bild pro Sekunde. Innerhalb dieser Grenzen kann es transkribieren, übersetzen, beschreiben, Fragen zu einer Aufnahme beantworten und strukturierte Daten extrahieren. Mit anderen Worten: Es ist außerordentlich gut darin, einen begrenzten Ausschnitt der Welt in Text zu verwandeln.

Dessa ist ein konversationeller Stream: Audio rein, Audio raus, ganz ohne Textstufe. Es gibt kein Transkript zum Prüfen, keine Token-Grenze und keinen separaten Syntheseschritt. Blocks Behauptung ist, dass dies Prosodie, Lachen, Seufzer und Timing bewahrt, die eine Sprach-zu-Text-zu-Sprach-Pipeline einebnet. In ihren Demos lacht das Modell mitten im Satz, gleicht die Lautstärke an und vervollständigt den vergessenen Filmtitel eines Sprechers.

Die praktische Konsequenz ist, dass die beiden Modelle auf API-Ebene nicht austauschbar sind. Man kann Dessa kein PDF schicken. Man kann Gemma 4 12B nicht bitten, mitten in der Antwort unterbrochen zu werden, weil es keinen Audiostream erzeugt, der unterbrochen werden könnte. Ein auf Gemma basierendes Sprachprodukt benötigt mindestens zwei weitere Komponenten; ein auf Dessa basierendes Dokumentenprodukt ist überhaupt nicht möglich.

Das Datenblatt, mit beiden Seiten in derselben Zeile

Die folgenden Zahlen sind, sofern nicht anders gekennzeichnet, vom Anbieter gemeldet. Gemmas stammen aus Googles Modellkarte; Dessas stammen aus der Ankündigungsseite von Block, die deutlich weniger veröffentlicht.

• Parameter — Gemma 4 12B: 11,95B dense vs. Dessa: nicht angegeben.

• Gewichte — Gemma 4 12B Apache 2.0 Download vs. Dessa: keine veröffentlicht.

• Kontext — Gemma 4 12B 262.144 Token vs. Dessa nicht angegeben, und keine Token-Schnittstelle, an der es gemessen werden könnte.

• Eingabe — Gemma 4 12B: Text, Bild, Audio bis zu 30 Sekunden, Video bis zu etwa 60 Sekunden vs. Dessa, einem Live-Audiostream.

• Ausgabe — Gemma 4 12B Text vs. Dessa Audio.

• Interaktion — Gemma 4 12B turnbasierte Anfrage und Antwort vs. Dessa Vollduplex, mit Barge-in und Backchannel.

• Hardware — Gemma 4 12B: rund 16 GB Unified Memory; Dessa: ein MacBook Pro M4 Max oder besser, laut Block.

• Preis — Gemma 4 12B kostenlos zum Download; die Hosting-Preise bei Drittanbietern liegen bei etwa 0,10 $ für Eingabe und 0,30 $ für Ausgabe pro Million Tokens vs. Dessa ohne Preis.

• Benchmarks — Gemma 4 12B eine veröffentlichte Herstellertabelle vs. Dessa keine.

• Verfügbarkeit — Gemma 4 12B seit Juni 2026 allgemein verfügbar, im Vergleich zu Dessa mit Warteliste und einer kleinen Vorschau für Sicherheitsforschende.

Wo Gemma 4 12B standardmäßig gewinnt

Beginnen wir mit den Zahlen, die Google veröffentlicht hat, alle vom Anbieter gemeldet und hier nicht reproduziert: MMLU-Pro 77,2, GPQA Diamond 78,8, AIME 2026 77,5 ohne Tools, LiveCodeBench v6 72,0, Codeforces Elo 1659, Tau2 69,0, MMMU-Pro 69,1 und HLE 5,2. Das Muster ist ein mittelgroßes Modell, das für seine Klasse stark beim Reasoning und bei Vision ist, schwach bei den schwierigsten Frontier-Fragen und kompetent im Umgang mit Tools. Ein 256K-Kontextfenster und native Funktionsaufrufe machen es zu einer plausiblen Grundlage für einen Agenten, der ein langes Dokument liest und dann handelt.

Artificial Analysis, das von Google unabhängig ist, schätzt die Reasoning-Variante auf 14 in seinem Intelligence Index — gekennzeichnet als Schätzung und nicht als gemessener Durchlauf und deutlich über dem Median von 8 für vergleichbare offene Modelle. Das ist eine nützliche Korrektur zur Anbietertabelle: ein mittelgroßes Modell, von einem Dritten im Mittelfeld eingestuft.

Seine Audio-Werte sind bescheidener und relevanter für diesen Vergleich. CoVoST liegt bei 38,5 und FLEURS bei 0,069 (niedriger ist besser), beide vom Hersteller angegeben, wobei der CoVoST-Wert Chinesisch ausschließt. Das sind Metriken für Sprachübersetzung und -erkennung, nicht für Gesprächsqualität. Gemma kann einen 30-Sekunden-Clip hören und dir sagen, was gesagt wurde. Es kann kein Live-Telefonat führen.

Die Lizenz ist der Teil, der die meisten kommerziellen Fragen entscheidet. Apache 2.0 bedeutet keine Umsatzschwelle, keine Verhandlungen über akzeptable Nutzung und keine Anbietererlaubnis für ein Fine-Tuning. Für ein Team, das seinen Inferenzpfad selbst kontrollieren möchte, ist das mehr wert als eine bessere Demo.

Wohin Dessas Demos deuten, falls sie Bestand haben

Die interessante Behauptung ist nicht, dass Dessa wie ein Mensch klingt. Sondern dass das Beseitigen des Text-Flaschenhalses eine ganze Fehlerkategorie beseitigt. Eine Pipeline, die zuerst transkribiert, muss entscheiden, wann man mit dem Sprechen fertig ist; sie legt sich auf ein Transkript fest, bevor sie antworten kann; sie verliert den Seufzer. Ein Duplex-Modell geht diese Festlegung nie ein. Wenn Blocks Clips repräsentativ sind, ist das Ergebnis eine Konversation, die Überschneidungen toleriert – man kann dazwischenreden, und es kann einem ins Wort fallen.

Was fehlt, ist jede Möglichkeit festzustellen, ob die Clips repräsentativ sind. Block sagt, niemand steuere das Modell, und die Untertitel seien nachträglich hinzugefügt worden, was die gröbste Inszenierung ausschließt. Es veröffentlicht kein Held-out-Set, keine Latenzverteilung, keine Rate für die Wiederherstellung nach Unterbrechungen und keinen Verständlichkeitswert unter Lärm. The Verge fand dieselben Demos „ein wenig unbeholfen und unheimlich“, darunter einen Clip, in dem das Modell seinen Partner „Ronaldo“ nennt. Ein kuratiertes Reel kann das verkraften; ein Produkt muss es.

Heute eine Voice-Loop rund um Gemma bauen

Wenn Sie jetzt einen Sprachagenten möchten, besteht die Architektur aus Spracherkennung, dann Gemma 4 12B und dann Sprachsynthese. Das Modell übernimmt das Verstehen, das Schlussfolgern und den Text der Antwort; die umgebenden Dienste übernehmen das Audio. Das Latenzbudget wird von den beiden Rändern dominiert, nicht von der Mitte: Endpoint-Erkennung plus Synthese kosten in der Regel mehr Wanduhrzeit als das erste Token des Sprachmodells.

OrcaRouter ist mitten in dieser Schleife aus einem anderen Grund nützlich. Eine API vor über 200 Modellen bedeutet, dass der Reasoning-Schritt ausgetauscht werden kann, ohne die Anwendung neu zu schreiben, und automatisches Failover bedeutet, dass ein Aussetzer eines Anbieters den Aufruf nicht beendet. Das 0%-Aufschlag-Modell – der Listenpreis des Anbieters wird durchgereicht – ist relevant, wenn ein Anbieter einen Preis senkt, denn die Preissenkung ist am selben Tag auf unserer Seite aktiv. Ein ehrlicher Vorbehalt: Wir routen Gemma 4 26B A4B und Gemma 4 31B, nicht das 12B, bei dem es sich um ein Download-und-Hosten-Modell handelt. Wenn Sie das 12B hinter einer API wollen, ist das eine Hosting-Entscheidung eines Drittanbieters, nicht unsere.

Auswahl nach Einschränkung

• Sie müssen jetzt Text- oder multimodale Ausgaben ausliefern — Gemma 4 12B, ohne ernsthafte Alternative in dieser Kombination.

• Sie benötigen Offline-Inferenz auf Hardware, die Sie selbst kontrollieren — Gemma 4 12B, weil die Gewichte dafür existieren.

• Sie brauchen ein Dokument, ein Bild oder eine 30-Sekunden-Aufnahme, die verstanden werden soll — Gemma 4 12B.

• Sie brauchen eine Live-Stimme, die unterbrochen werden kann — Dessa ist von den beiden die einzige, die darauf ausgelegt ist, und sie ist nicht verfügbar.

• Sie benötigen emotionale Ausdruckskraft im Ausgabe-Audio — die Demos von Dessa sind der Beleg, und sie wurden vom Anbieter ausgewählt.

• Sie brauchen eine Lizenz, die Sie durch die Beschaffung bringen können — Gemma 4 12B mit Apache 2.0 ist die einzige Lizenz, die auf dem Tisch liegt.

Was würde daraus einen echten Vergleich machen?

Drei Dinge würden die Antwort ändern. Eine Dessa-API, damit die beiden auf denselben Gesprächen gemessen werden könnten. Eine veröffentlichte Parameteranzahl und Latenzangabe, damit die Laptop-Behauptung reproduziert werden könnte. Oder ein sprachnatives Modell mit offenen Gewichten von jemand anderem, was „Dessa vs Gemma“ zu einem Vergleich von Architekturen statt zu einem Vergleich der Verfügbarkeit machen würde.

Bis dahin lautet die faire Zusammenfassung, dass Gemma 4 12B ein leistungsfähiges lokales multimodales Modell mit einem Text-Engpass ist, den es nicht beseitigen kann, und dass Dessa ein vielversprechender Versuch ist, diesen Engpass zu beseitigen, ohne dass es eine öffentliche Möglichkeit gibt, das Ergebnis zu überprüfen. Das erste ist ein Werkzeug. Das zweite ist eine Hypothese mit ausgezeichneter Produktionsqualität.