Beam 1.0 vs Gemma 4 12B: 501 mil millones de parámetros frente a 12, y lo que esa diferencia realmente aporta

Uno de estos modelos cabe en un portátil. El otro necesita un rack, y la diferencia entre ellos es de un factor de cuarenta. Reflection Beam 1.0 es un modelo de mezcla de expertos disperso con 501,3 mil millones de parámetros totales que activa 23,4 mil millones de ellos por token — anunciado por Reflection el 5 de octubre de 2026 como una vista previa con lista de espera, y realmente lanzado como pesos descargables el 16 de octubre de 2026 bajo Apache 2.0 en versiones BF16, FP8 y NVFP4, junto con un pequeño borrador de decodificación especulativa DFlash2 junto con ellos. G​emma 4 12B es el modelo denso sin codificador de G​oogle DeepMind, de 11,95 mil millones de parámetros, lanzado el 3 de junio de 2026, que lee texto, imágenes, audio y fotogramas de vídeo, escribe texto y se cuantiza hasta algo que una máquina de 16 GB puede albergar. Ambas licencias son permisivas, ambas salidas son texto, y ambos están en Hugging Face ahora mismo. Casi nada más sobre ellos es igual, y la pregunta útil no es cuál es más inteligente — es cuál de los dos resuelve tu problema sin una orden de compra.

Esto importa más de lo que normalmente importaría, porque durante once días Beam 1.0 fue un modelo del que se podía leer pero no tener. El anuncio de Reflection del 5 de octubre prometía pesos con licencia Apache 2.0 «más adelante este mes», y el repositorio permanecía vacío. Desde el 16 de octubre de 2026, la colección está activa con cuatro repositorios y la ficha del modelo incluye una tabla de evaluación completa. Ese lanzamiento es la razón por la que esta comparación puede escribirse como una comparación, y no como una nota sobre un titular.

Donde están los dos, en una sola pasada

Todo lo que aparece a continuación es documentación del propio proveedor o de Artificial Analysis. Cuando una cifra es del proveedor y nadie la ha reproducido, esta página lo indica en el lugar donde aparece, en lugar de en un descargo de responsabilidad al final.

• Parámetros totales — Beam 1.0 501.3B frente a G​emma 4 12B 11.95B. La proporción es de aproximadamente 42 a 1.

• Parámetros activos por token — 23,4B frente a 11,95B. La proporción se reduce a aproximadamente 2 a 1, que es todo el truco: un modelo disperso solo paga por la parte de sí mismo que utiliza.

• Arquitectura — Beam 1.0 es un MoE de 52 capas con 256 expertos, tres capas densas y 49 capas de expertos, atención local y global intercaladas, y atención de consultas agrupadas con compuerta junto con atención de ventana deslizante; Gemma 4 12B es denso, de 48 capas, sin codificadores multimodales en absoluto: el manejo de visión y audio está entrenado dentro del modelo en lugar de añadirse a posteriori.

• Ventana de contexto — Beam 1.0 1.000.000 tokens en la ficha del modelo; Gemma 4 12B 262.144 tokens. Ambas son la cifra más alta que ofrecen sus respectivas familias.

• Modalidad — Beam 1.0 es texto de entrada, texto de salida, y su ficha lo dice sin rodeos; Gemma 4 12B acepta texto, imágenes, audio y fotogramas de vídeo como entrada y devuelve texto.

• Licencia — Apache 2.0 en ambos, de uso comercial, sin límites de usuarios. Esto es lo más cerca que están los dos modelos de ser lo mismo.

• Evaluación publicada — Beam 1.0 incluye una tabla de evaluación de los checkpoints BF16, FP8 y NVFP4; la ficha de G​emma 4 12B contiene las propias cifras de G​oogle y ha sido evaluada de forma independiente desde junio.

• Puntuación independiente — Artificial Analysis Intelligence Index v4.3.2 sitúa a Beam 1.0 en 30, en el puesto 19 de 120 modelos de su clase de comparación, y a G​emma 4 12B en 14, en el puesto 20 de 141 — una diferencia de 16 puntos a favor del modelo más grande, con la cifra de G​emma acompañada de una nota al pie de "estimada" porque la evaluación independiente del 12B seguía pendiente.

Qué es realmente Beam 1.0, ahora que existen los pesos

La ficha del modelo indica: 501,3 mil millones de parámetros totales, 23,4 mil millones activos, 52 capas de las cuales tres son densas y 49 son MoE, 256 expertos, un vocabulario de 152.000 tokens, una fecha de corte de conocimiento del 30 de junio de 2026 y modalidad solo de texto. La plantilla de chat es un formato Harmony modificado con dos canales —análisis y final— y un ajuste reasoning_effort que acepta un número entero o uno de minimal, low, medium, high, xhigh y max, que se asignan a 8, 32, 64, 128, 256 y 512. El valor predeterminado servido cuando el parámetro no está establecido es 512. La documentación de la propia plantilla señala que minimal, con 8, es el esfuerzo más pequeño que los datos de entrenamiento llegaron a muestrear, por lo que no se respeta un presupuesto menor.

Hay tres cosas de esa especificación que merece la pena destacar, porque son las partes que determinan si puedes usarla.

La primera es que el ajuste de esfuerzo no se puede desactivar. Beam siempre razona; tú eliges cuánto. Para un bucle de agente, eso significa que cada turno conlleva un prefijo de deliberación que se factura y, si reproduces el historial, se vuelve a facturar. La plantilla incluso genera un error cuando allow_missing_thinking se establece en false y un turno anterior del asistente ha descartado su razonamiento, precisamente porque eliminarlo degrada la salida. Eso es un costo documentado, no un fallo.

Lo segundo son las versiones cuantizadas. Reflection publicó checkpoints FP8 y NVFP4 el mismo día que el modelo BF16, junto con el drafter DFlash2. El repositorio NVFP4 figura con 255B frente a los 501B de BF16, y la tarjeta atribuye la cuantización a llm-compressor, con crédito al personal de NVIDIA por su orientación. Tener una versión de cuatro bits desde el día cero cambia quién puede siquiera ejecutar esto —501B en bfloat16 son aproximadamente un terabyte de pesos, lo que supone una conversación de compra distinta a la de 255B en cuatro bits.

El tercero es lo que falta. No hay ninguna recomendación de servicio en la ficha, ningún mínimo de hardware publicado y ningún precio de API publicado en ninguna de las propiedades de Reflection. La página de Artificial Analysis para el modelo registra los campos de precio como no disponibles y señala «No hay API disponible públicamente» —lo cual, para un modelo cuyo principal argumento de venta es que es barato de ejecutar, es la fila que uno habría querido ver rellenada.

Qué es Gemma 4 12B y por qué el tamaño es el argumento

La ficha de G​oogle indica que G​emma 4 12B tiene 11,95 mil millones de parámetros repartidos en 48 capas, un contexto de 262.144 tokens, un vocabulario compartido de 262.000 tokens en toda la familia y una ventana deslizante de 1.024 tokens, el doble de la que usan los tamaños más pequeños E2B y E4B. La atención intercala atención local de ventana deslizante con atención global completa, y la capa final siempre es global. Está preentrenado en más de 140 idiomas, con soporte listo para usar declarado para 35 o más.

La decisión de ingeniería interesante es arquitectónica: el modelo no tiene codificadores separados. El planteamiento de Google es que el tratamiento multimodal se entrenó desde dentro en lugar de añadirse después, y por eso el mismo checkpoint sirve para visión y audio sin un segundo conjunto de pesos que cargar. En un dispositivo, esa es la diferencia entre un modelo desplegable y un pipeline.

Google también lanzó entrenamiento consciente de cuantización en lugar de depender de un cuantizador a posteriori, y publica un GGUF QAT de aproximadamente 6.98 GB para los pesos más un pequeño proyector multimodal. Las cuantizaciones de la comunidad llegan más abajo: la compilación de Unsloth, ampliamente replicada, va desde unos 4.2 GB en el 2-bit más agresivo hasta 7.12 GB en Q4_K_M y 12.67 GB en Q8_0. Las compilaciones MLX para Apple Silicon se sitúan cerca de 12.7 GB en 8 bits. El checkpoint de precisión completa ajustado a instrucciones, en cambio, es un único archivo safetensors de 23.92 GB: la huella bruta en bfloat16 antes de cualquier caché KV, que es la cifra que te dice que una máquina de 16 GB no puede contenerlo sin cuantizar y una tarjeta de 24 GB sí.

La puntuación independiente ha estado disponible poco después del lanzamiento, que es la asimetría que atraviesa toda esta página. Artificial Analysis mide el 12B en 14 en Intelligence Index v4.3.2, 117,6 tokens de salida por segundo, 2,43 segundos hasta el primer token, y 0,10 $ por millón de tokens de entrada frente a 0,30 $ por millón de salida. La propia ficha de Google reporta 78,2 en MMLU Pro, 77,8 en GPQA Diamond, 77,5 en AIME 2026 sin herramientas, 72,0 en LiveCodeBench v6 con un ELO de Codeforces de 1659, 69,1 en MMMU Pro y 43,4 en MRCR v2 a 128K con ocho agujas.

La comparación que no existe

La ficha de Beam 1.0 reporta SWE-bench Verified al 81,6 % en el checkpoint BF16, al 80,2 % en FP8 y al 80,7 % en NVFP4; Terminal Bench v2.1 al 80,1, 78,9 y 78,4; SWE Bench Pro v1 al 66,1, 65,9 y 65,6; DeepSWE v1.1 al 43,3, 43,0 y 42,7; GPQA Diamond al 90,6, 90,3 y 89,3; AIME 2026 al 97,7, 98,0 y 97,5; LiveCodeBench al 88,3, 88,1 y 87,4; MCP Atlas al 80,8, 81,5 y 80,5, e IFBench al 79,6, 80,7 y 79,2. Las evaluaciones utilizaron temperatura 0,7 y top-p 0,99. Todo eso son reportes propios de Reflection y nada de ello ha sido reproducido por un tercero.

Gemma 4 12B reporta en su ficha sus propias cifras, que tampoco se reproducen a nivel de cada benchmark, y Artificial Analysis ha puntuado el modelo de forma independiente. Ahora pon ambas una al lado de la otra e intenta restar. No puedes. La tabla de Beam es una tabla de modelos de frontera sobre benchmarks de codificación agéntica y uso de herramientas. La de Gemma es una tabla de benchmarks de comprensión y razonamiento multimodal. Donde ambas se solapan —GPQA Diamond y AIME, esencialmente—, los harnesses, la configuración del esfuerzo de razonamiento y los parámetros de muestreo no están documentados en un lado y son desconocidos en el otro. Un 90,6 frente a un 77,8 en GPQA se lee como una diferencia de 13 puntos, y es una comparación entre la configuración de un laboratorio y la de otro.

El único número en esta página en el que una sola organización midió ambos modelos es el Intelligence Index, y ahí la diferencia es de 30 frente a 14. Esa es una medición real de un tercero bajo un compuesto documentado. También es una diferencia de 16 puntos para un modelo con 42 veces la cantidad de parámetros y, según la evidencia disponible, de una clase de despliegue completamente distinta. Nadie debería sorprenderse de ello.

Cuánto cuesta realmente ejecutar cada uno

Ni Beam 1.0 ni G​emma 4 12B están en nuestro catálogo. Lo que OrcaRouter enruta de la familia G​emma 4 son los dos tamaños que ofrecemos: G​emma 4 26B A4B a $0.06 por millón de tokens de entrada y $0.33 por millón de salida con un contexto de 262,144 tokens, y G​emma 4 31B a $0.13 y $0.38 — precio de lista del proveedor pasado sin margen de beneficio, tomado de nuestra propia lista de modelos el 16 de octubre de 2026. Beam 1.0 no es algo que sirvamos, y esta página no pretende lo contrario; la forma de usarlo hoy es descargarlo de la colección de Hugging Face de Reflection o llamar a la API propia de Reflection.

Eso deja la comparación honesta de costos como una comparación de hardware, que es la versión que realmente importa aquí. Si ya tienes la máquina, Gemma 4 12B a cuatro bits es una descarga y una tarde. Si no la tienes, el equivalente medido del 12B es más o menos lo más barato de nuestra lista —treinta centavos por millón de tokens de salida—, mientras que un modelo de 501B con 23B activos es un alquiler de GPU que no se te ha cotizado en ningún lado, porque Reflection no ha publicado una tarifa.

¿Cuál de los dos es tu modelo?

Elige G​emma 4 12B si el trabajo es multimodal, si tiene que ejecutarse en hardware que ya posees o en un dispositivo al que lo envías, si una latencia de unos pocos cientos de milisegundos hasta el primer token es aceptable, y si un contexto de 256K cubre tus documentos. Tanto el diseño sin encoder como el entrenamiento consciente de la cuantización están dirigidos directamente a ese lector, y la licencia Apache 2.0 significa que puedes distribuir una obra derivada sin tener que hablar con G​oogle. El coste de la elección es la capacidad: un 14 en el índice independiente está muy por debajo de la frontera, y el conjunto de benchmarks que más te importa —codificación agéntica, razonamiento a escala de repositorio— no es el conjunto que publicó G​oogle.

Elige Beam 1.0 si el trabajo es programación, uso de herramientas y ejecución agéntica de horizonte largo, si tienes acceso a clústeres o un socio de servicio, y si puedes absorber una API sin precio definido y un presupuesto de razonamiento siempre activo. Los benchmarks publicados apuntan exactamente a esa carga de trabajo, la compilación de cuatro bits hace que la conversación sobre hardware sea mucho más sencilla de lo que sugiere el número de parámetros, y la licencia no impone ninguna restricción que impida un ajuste fino comercial.

No elijas ninguno de los dos si lo que realmente necesitas es una respuesta esta semana. Ambos son modelos que tienes que ejecutar. Las comparaciones que de verdad importan para esa decisión —un modelo servido a una tarifa publicada, con una clave que ya tienes— están en otra página, y esta trata de los dos extremos del espectro de pesos abiertos, no del punto medio donde vive la mayor parte del tráfico de producción.

¿Qué cambiaría esta página?

Dos cosas. Un benchmark independiente que ponga Beam 1.0 y Gemma 4 12B en el mismo harness y con el mismo esfuerzo reemplazaría la comparación basada solo en el Index de arriba por algo restable, y el hecho de que los pesos de Beam ahora sean públicos significa que cualquiera puede ejecutarlo. Un precio publicado para la API de Beam —o para un despliegue alojado en FP8 o NVFP4— convertiría la sección de costos de un argumento de hardware en una tarifa. Hasta que llegue una de esas dos cosas, el resumen preciso es este: la brecha de parámetros de 40 a 1 compra unos 16 puntos de inteligencia medida de forma independiente y un conjunto distinto de benchmarks, y te cuesta un lugar donde ponerlo.

Un resultado como este también sirve como recordatorio de que los errores de los modelos ya están documentados: los incidentes de IA y los fallos de agentes que hay detrás de los modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su indicador de disputa.