AstaBrief 8B vs Gemma 4 12B: Un escritor especializado frente a un generalista que lo hace todo

AstaBrief 8B y Gemma 4 12B pertenecen a la misma clase de tamaño y comparten la misma licencia; más allá de eso, son respuestas a preguntas diferentes. AstaBrief 8B es el modelo de pesos abiertos de 8B de Ai2, publicado el 2 de octubre de 2026 y afinado a partir de Qwen3-8B, que hace una sola cosa: convertir una pregunta de investigación y extractos de literatura recuperados en un informe con citas, en una sola pasada, en unos 51 segundos de principio a fin. Gemma 4 12B es el modelo multimodal unificado de 11,95B de DeepMind, un generalista Apache-2.0 que acepta texto, imágenes, audio y vídeo de forma nativa y maneja 256.000 tokens de contexto. Uno es un bisturí que hace una única tarea más rápido que el pipeline de propósito general al que reemplazó; el otro es toda la caja de herramientas, en el dispositivo.

La tentación es declarar que el especialista es mejor en lo suyo y seguir adelante. La pregunta más útil, si vas a desplegar en una sola GPU de consumo, es si la ventaja del modelo especializado es lo bastante grande como para justificar ejecutar dos stacks en lugar de uno — y la respuesta depende de cifras que ninguno de los dos laboratorios ha hecho verificar de forma independiente.

Las partes que realmente se superponen

Ambos son modelos densos con pesos abiertos que puedes tener en una sola tarjeta, ambos son Apache-2.0 y ambos están disponibles para descargar en lugar de estar detrás de una API. Eso sí que es una superposición real, y es la razón por la que merece la pena hacer la comparación.

Más allá de eso, la divergencia es total, y dos filas hacen la mayor parte del trabajo.

• Parámetros — AstaBrief 8B: aproximadamente 8B denso, pesos BF16 en la categoría de GPU única. Gemma 4 12B: 11,95B denso, arquitectura unificada sin codificador.

• Modalidades de entrada — AstaBrief 8B: solo texto, y concretamente una pregunta más extractos. Gemma 4 12B: texto, imagen, audio y video, con audio y visión proyectados directamente en el espacio de embeddings del decodificador mediante capas lineales ligeras en lugar de codificadores separados.

• Modalidades de salida — Ambas: texto. AstaBrief 8B emite un informe con citas; Gemma 4 12B emite texto sin formato en la forma que le pidas.

• Contexto — AstaBrief 8B: el límite de posición de 40,960 tokens del modelo base, entrenado a 32K. Gemma 4 12B: 256,000 tokens, con un esquema de atención híbrido que intercala atención local de ventana deslizante (ventana de 1024 tokens) con atención global, y RoPE proporcional en las capas globales para mantener a raya la memoria de contexto largo.

• Entrenamiento — AstaBrief 8B: ajuste fino supervisado con 47K ejemplos de informes y luego unos 6K pares DPO, en ocho H100. Gemma 4 12B: preentrenamiento general de Google DeepMind más ajuste de instrucciones, documentado en un informe técnico.

• Tarea — AstaBrief 8B: una sola tarea, generación de informes con citas. Gemma 4 12B: razonamiento, programación, flujos de trabajo agénticos, chat multilingüe en más de 140 idiomas.

• Puntuaciones independientes — Ninguna para AstaBrief 8B más allá de las tablas propias de Ai2. Gemma 4 12B aparece en clasificaciones públicas, incluidas Artificial Analysis, donde se puntúa a la familia del lanzamiento; esas son cifras de terceros y son las únicas de este artículo que no han sido proporcionadas por un proveedor.

Lee la fila de contexto como la diferencia estructural, no como un dato de ficha técnica. El techo de 40K de AstaBrief 8B no es una limitación que Ai2 esté sorteando; es una consecuencia del diseño. El modelo nunca alberga un corpus, solo extractos que alguien más seleccionó y dimensionó. La ventana de 256K de Gemma 4 12B significa que la misma tarea puede abordarse sin ninguna capa de recuperación —pegar un gran volumen de material y preguntar—, lo cual es una arquitectura genuinamente distinta para el mismo resultado, y una que reduce dos sistemas a uno.

Dónde gana el especialista, y por cuánto

El argumento de Ai2 a favor de AstaBrief es un reloj, y es bueno. Su pipeline Thinking impulsado por Claude promedió 178,5 segundos por informe; AstaBrief, al escribir el informe completo en una sola pasada, promedia 51,1 segundos, aproximadamente 3,5 veces más rápido, y Ai2 afirma que la simplificación no sacrificó calidad en sus métricas monitoreadas.

La empresa que importa aquí no es Claude. Es el propio andamiaje múltiple —resumen de fragmentos, agrupación temática y redacción sección por sección—, todo lo cual hace AstaBrief. Y ese andamiaje es el mismo trabajo que, de otro modo, tendrías que construir sobre cualquier generalista, Gemma 4 12B incluido, si quisieras obtener de él un informe estructurado y con citas. Un generalista al que se le pide «un informe con citas» producirá uno; conseguir que produzca uno con un esquema fijo, con claves de cita que coincidan con la lista de fuentes, es ingeniería de prompts que tú mismo posees y mantienes.

La afirmación de calidad es donde tienes que ir más despacio.

• Promedio de SQABench-CS2, división de prueba (reportado por el proveedor) — AstaBrief 8B 87.0, su propio checkpoint SFT 83.7, base Qwen3-8B 77.3. 100 preguntas de ciencias de la computación escritas por usuarios.

• DeepScholarBench (según el proveedor) — AstaBrief 8B 53.50, por detrás del propio Asta ScholarQA de Ai2 con 60.25 y de DR-Tulu-8B con 56.26.

• Comparación por pares con el pipeline de Ai2 impulsado por Claude (según lo reportado por el proveedor): 55 % de victorias en la división de dev, 72 % en la de test.

• Estudio con humanos (informado por el proveedor) — 14 preguntas de tres investigadores; DR-Tulu fue el preferido en general, y dos de los tres mencionaron la precisión de citas de AstaBrief.

No existe una puntuación equivalente para Gemma 4 12B en SQABench-CS2, en ningún sentido. Esa ausencia es el centro honesto de esta comparación: no se puede asignar un número a la calidad de los informes de Gemma 4 12B frente a la de AstaBrief 8B, porque nadie ha pasado al generalista por el harness de Ai2 y nadie pretende hacerlo. Quien te diga que el especialista es «26 puntos mejor» está comparando un número de proveedor con nada.

Donde el generalista gana de forma contundente

Las ventajas de {{1}}Gemma 4 12B{{/1}} no son marginales y es fácil subestimarlas.

La primera es la amplitud. AstaBrief 8B es un componente que espera que le entreguen evidencia. Gemma 4 12B lee capturas de pantalla, escucha audio, mira video, escribe código y mantiene una conversación de 256K. Si tu trabajo incluye figuras en artículos, charlas grabadas o material de origen multimodal, el especialista no puede participar en absoluto y la cuestión queda cerrada.

Lo segundo es que la amplia exposición pública es en sí misma una forma de evidencia. Gemma 4 12B está en tablas de clasificación de terceros; la familia abarca cinco tamaños, desde E2B hasta 31B; tanto las variantes ajustadas por instrucciones como las preentrenadas se publican junto con un informe técnico. Esa es una procedencia normal, aburrida y verificable, que es exactamente lo que les falta tanto a AstaBrief 8B como a la clase más amplia de modelos de investigación especializados.

El tercero es el coste práctico de una segunda pila. Ejecutar AstaBrief 8B para redactar informes más un generalista para todo lo demás implica dos modelos residentes, dos formatos de prompt, dos sistemas de evaluación y dos rutas de actualización. En una única tarjeta de 24GB en BF16, eso no sale gratis —y la tarjeta de AstaBrief advierte de que se ajustó finamente con un formato de prompt específico, publicado como archivo de conjunto de datos, y que usar uno diferente puede degradar el comportamiento. Un generalista no tiene ese tipo de dependencia.

• Gemma 4 12B (según el proveedor) — índice de inteligencia 9 en la configuración de Razonamiento; no hay una cifra de Gemma comparable en los benchmarks del informe de Ai2.

• Familia Gemma 4: cinco tamaños desde E2B hasta 31B, Apache-2.0, informe técnico publicado, presencia en clasificaciones de terceros.

• Gemma 4 26B A4B, servido en nuestro catálogo — $0.06 por millón de tokens de entrada, $0.33 por millón de tokens de salida, ventana de contexto de 262,144 tokens. Gemma 4 31B también está enrutado, a $0.13 / $0.38.

• Gemma 4 12B, local — 11,95B denso, contexto de 256K, atención híbrida de ventana deslizante y global, ventana local de 1024 tokens.

En cuanto a la disponibilidad, los modelos Gemma 4 se alojan comercialmente: Gemma 4 26B A4B es una ruta activa en nuestro catálogo a $0,06 por millón de tokens de entrada y $0,33 por millón de salida, con una ventana de contexto de 262.144 tokens, y Gemma 4 31B también está enrutado. Eso importa porque significa que puedes evaluar el brazo generalista sin poseer una GPU en absoluto. Ningún proveedor de nuestro catálogo sirve AstaBrief 8B, incluidos nosotros — es un modelo de descargar y ejecutar, y la forma honesta de usarlo es en hardware que controles, o dentro del propio producto Asta de Ai2.

Ejecutar la comparación por tu cuenta, de forma económica

La decisión que este artículo no puede tomar por ti es la que tú puedes tomar en una tarde, porque el experimento es asimétrico en costo. AstaBrief 8B necesita pesos locales y su formato de prompt publicado; puedes ponerlo en marcha en una sola tarjeta con vLLM en la configuración que documenta Ai2, temperatura 0.7 y top-p 0.95. El brazo generalista puede ser una llamada alojada: Gemma 4 26B A4B a $0.06 de entrada y $0.33 de salida por millón de tokens es lo bastante cercano en espíritu para calibrar contra él, y puedes apuntar tu propio arnés a ambos sin poseer la segunda GPU.

Entonces mide lo que las tablas del proveedor no miden: con tus preguntas, con tus extractos, cuántos informes vuelven correctamente citados y cuánto tarda toda la cadena una vez que hayas añadido el pegamento del esquema de citas al lado generalista. El 3,5x de Ai2 se mide contra el propio pipeline de Ai2, no contra Gemma 4 12B, y esa brecha se verá distinta en tu stack.

Mantener el brazo generalista detrás de un único endpoint es lo que hace que esto sea barato de repetir en lugar de un proyecto puntual: una API para más de 200 modelos, el precio de lista del proveedor trasladado con un 0 % de margen, de modo que una rebaja de precio del proveedor se refleje en tu factura el mismo día, conmutación automática por error cuando un proveedor se degrada, y un DSL de enrutamiento si quieres que varios modelos respondan en conjunto. Lo importante no es la lealtad a ninguno de los dos modelos; es que volver a ejecutar la comparación el próximo trimestre debería ser un cambio de configuración, porque ambos modelos van a ser reemplazados.

¿Cuál deberías descargar realmente?

Elige AstaBrief 8B si el entregable es un informe de investigación con citas y tienes una capa de recuperación alimentándolo. El diseño de una sola pasada es un verdadero logro de ingeniería, la reducción de 3.5x en el tiempo de generación es la razón por la que existe, Apache-2.0 junto con datos de entrenamiento publicados lo hace auditable, y ningún generalista igualará la estructura de su salida sin que tú mismo construyas y mantengas el andamiaje.

Elige Gemma 4 12B si tu trabajo es más amplio que los informes, si tus fuentes son multimodales, si 256K de contexto te permite omitir por completo la creación de una capa de recuperación, o si quieres el modelo que tiene puntuaciones de terceros asociadas a su nombre y una ruta alojada a la que puedes llamar hoy.

Y fíjate en la honesta asimetría de la evidencia, porque va en contra del especialista: las cifras de AstaBrief 8B, incluidas las suyas que mejor suenan, provienen de Ai2, describen un conjunto de comparación de 2025 que, según dice el laboratorio, no ha vuelto a repetir, e incluyen un estudio humano de catorce preguntas. Las cifras de Gemma 4 12B provienen de personas que no trabajan en Google. Esa diferencia de procedencia vale más que unos cuantos puntos en un benchmark que nadie ha ejecutado con ambos.