Dessa vs Gemma 4 12B: dos modelos para portátil, solo uno que puedes descargar

La comparación más útil entre Dessa y Gemma 4 12B no es una puntuación de benchmark. Es un archivo. Gemma 4 12B —el modelo de pesos abiertos de 11.950 millones de parámetros de Google DeepMind, publicado como Gemma 4 12B Unified bajo Apache 2.0 el 3 de junio de 2026— es un checkpoint que puedes descargar esta tarde, ejecutar en un portátil de 16 GB y ajustar sin pedir permiso a nadie. Dessa, que Block anunció el 23 de octubre de 2026, es un modelo de voz dúplex completo que, según su fabricante, se ejecuta en un MacBook Pro M4 Max, solo que no puedes descargarlo, invocarlo ni inspeccionarlo. Está detrás de una lista de espera sin pesos, sin API, sin precio y sin un número de parámetros publicado.

Ambos se venden como modelos locales. Solo uno de ellos se distribuye realmente. Esa distinción organiza todo lo demás: qué puedes construir, qué puedes medir y qué significa siquiera «funciona en un portátil».

La respuesta corta, y por qué es corta

Si tu objetivo es lanzar algo este trimestre que procese texto, imágenes, audio o video, Gemma 4 12B es el único de los dos que es un producto que puedes usar. Si tu objetivo es estudiar el habla full-duplex —un modelo que escucha mientras habla, interviene y es interrumpido sin perder el hilo—, Dessa es el artefacto más interesante, y todavía no puedes tenerlo.

Eso suena a un desprecio. Se parece más a la descripción de dos etapas distintas de madurez. Gemma 4 12B es un lanzamiento abierto y terminado, con una licencia, una ficha del modelo y una tabla de benchmark. Dessa es una vista previa de investigación con un video de demostración. Compararlos por capacidad es como comparar una cámara ya comercializada con un prototipo de laboratorio: puede que el prototipo tenga el mejor sensor, pero solo uno de los dos hace una fotografía que puedes conservar.

Dos significados de «local».

La propuesta local de Gemma 4 12B es concreta. Es un modelo denso de solo decodificador con una arquitectura unificada sin codificador: 48 capas, parches de imagen proyectados directamente y audio procesado sin un codificador separado. Google lo posiciona para aproximadamente 16 GB de memoria unificada, y los pesos están en Hugging Face en BF16, con compilaciones GGUF, MLX y otras de la comunidad que están por llegar. Puedes ejecutarlo sin conexión, en un avión, sin cuenta.

La historia local de Dessa es una frase en una página: la inferencia se ejecuta más rápido que en tiempo real en un MacBook Pro M4 Max o superior. No hay cifra de memoria, ni cuantización, ni tamaño de archivo, ni descarga. La afirmación puede ser completamente cierta. También es infalsificable desde fuera, porque «se ejecuta localmente» en una publicación de un proveedor puede significar «nuestros investigadores lo demostraron en un portátil» en lugar de «tú lo ejecutarás en el tuyo». Hasta que haya un archivo de pesos o un instalador, la lectura honesta es la primera.

Se oye, se conversa

La diferencia arquitectónica es más marcada que la brecha de parámetros. Gemma 4 12B es un lector multimodal: entran texto, imagen, audio y vídeo; sale texto. Su entrada de audio está limitada a 30 segundos por clip, y su entrada de vídeo a aproximadamente 60 segundos a un fotograma por segundo. Dentro de esos límites puede transcribir, traducir, describir, responder preguntas sobre una grabación y extraer datos estructurados. En otras palabras, es extremadamente bueno convirtiendo una pieza acotada del mundo en texto.

Dessa es un flujo conversacional: audio de entrada, audio de salida, sin ninguna etapa de texto. No hay transcripción que inspeccionar, ni límite de tokens, ni un paso de síntesis separado. La afirmación de Block es que esto preserva la prosodia, las risas, los suspiros y el ritmo que una canalización de voz a texto a voz aplana. Sus demos muestran al modelo riéndose a mitad de frase, igualando el volumen y completando el título de una película que un hablante había olvidado.

La consecuencia práctica es que los dos modelos no son sustituibles a nivel de API. No se puede enviar un PDF a Dessa. No se puede pedir que se interrumpa a Gemma 4 12B a mitad de respuesta, porque no produce un flujo de audio que interrumpir. Un producto de voz construido sobre Gemma necesita al menos dos componentes más; un producto documental construido sobre Dessa no es posible en absoluto.

La ficha técnica, con ambos lados en la misma línea.

Las cifras siguientes son reportadas por el proveedor, a menos que se indique lo contrario. Las de Gemma provienen de la ficha del modelo de Google; las de Dessa provienen de la página del anuncio de Block, que publica mucho menos.

• Parámetros — Gemma 4 12B 11.95B denso frente a Dessa no divulgado.

• Pesos — descarga de Gemma 4 12B Apache 2.0 frente a Dessa, ninguno publicado.

• Contexto — Gemma 4 12B 262.144 tokens frente a Dessa, no especificado, y no hay una interfaz de tokens con la que medirlo.

• Entrada — Gemma 4 12B: texto, imagen, audio de hasta 30 segundos, video de hasta aproximadamente 60 segundos frente a Dessa, un flujo de audio en vivo.

• Salida — texto de Gemma 4 12B frente a audio de Dessa.

• Interacción — solicitud y respuesta por turnos de Gemma 4 12B frente a la dúplex completo de Dessa, con interrupción (barge-in) y retroalimentación (backchannel).

• Hardware — Gemma 4 12B, aproximadamente 16 GB de memoria unificada, frente a Dessa, un MacBook Pro M4 Max o superior, según Block.

• Precio: Gemma 4 12B es gratuito para descargar; las tarifas de alojamiento en proveedores externos se agrupan en torno a $0,10 por entrada y $0,30 por salida por millón de tokens, frente a Dessa, sin precio.

Evaluaciones — Gemma 4 12B: una tabla publicada por el proveedor frente a Dessa: ninguna.

• Disponibilidad — Gemma 4 12B disponible de forma general desde junio de 2026 frente a la lista de espera de Dessa y una pequeña vista previa para investigadores de seguridad.

Dónde Gemma 4 12B gana por defecto

Empieza con las cifras que Google publicó, todas reportadas por el proveedor y no reproducidas aquí: MMLU-Pro 77.2, GPQA Diamond 78.8, AIME 2026 77.5 sin herramientas, LiveCodeBench v6 72.0, Codeforces Elo 1659, Tau2 69.0, MMMU-Pro 69.1 y HLE 5.2. El patrón es el de un modelo de tamaño medio que es fuerte para su clase en razonamiento y visión, débil en las preguntas más difíciles de la frontera y competente en el uso de herramientas. Una ventana de contexto de 256K y la llamada a funciones nativa lo convierten en una base plausible para un agente que lee un documento largo y luego actúa.

Artificial Analysis, que es independiente de Google, estima la variante de razonamiento en 14 en su Intelligence Index —una cifra marcada como estimación en lugar de una ejecución medida, y muy por encima de la mediana de 8 para modelos abiertos comparables. Eso es una corrección útil para la tabla del proveedor: un modelo de tamaño medio, situado en la media por un tercero.

Sus cifras de audio son más modestas y más relevantes para esta comparación. CoVoST se sitúa en 38,5 y FLEURS en 0,069 (cuanto más bajo, mejor), ambas reportadas por el proveedor, y la cifra de CoVoST excluye el chino. Esas son métricas de traducción y reconocimiento de voz, no de calidad conversacional. Gemma puede escuchar un clip de 30 segundos y decirte lo que se dijo. No puede mantener una llamada en vivo.

La licencia es la parte que decide la mayoría de las cuestiones comerciales. Apache 2.0 significa que no hay umbral de ingresos, ni negociación de uso aceptable, ni permiso del proveedor para un ajuste fino. Para un equipo que quiere ser dueño de su propia ruta de inferencia, eso vale más que una mejor demo.

Hacia dónde apuntan las demos de Dessa, si se sostienen

La afirmación interesante no es que Dessa suene humano. Es que eliminar el cuello de botella del texto elimina una categoría de fallo. Un pipeline que transcribe primero tiene que decidir cuándo has terminado de hablar; se compromete con una transcripción antes de poder responder; pierde el suspiro. Un modelo dúplex nunca adopta ese compromiso. Si los clips de Block son representativos, el resultado es una conversación que tolera el solapamiento: puedes hablar encima de él, y él puede hablar encima de ti.

Lo que falta es cualquier forma de saber si los clips son representativos. Block dice que nadie guía el modelo y que los subtítulos se añadieron después, lo que descarta el montaje más burdo. No publica un conjunto reservado, una distribución de latencia, una tasa de recuperación tras interrupciones ni una puntuación de inteligibilidad en condiciones de ruido. The Verge encontró que esas mismas demos eran «un poco incómodas y extrañas», incluido un clip en el que el modelo llama «Ronaldo» a su compañero. Una recopilación curada puede sobrevivir a eso; un producto tiene que hacerlo.

Construyendo hoy un bucle de voz en torno a Gemma

Si quieres un agente de voz ahora, la arquitectura es: reconocimiento de voz, luego Gemma 4 12B y, después, síntesis de voz. El modelo se encarga de la comprensión, el razonamiento y el texto de la respuesta; los servicios que lo rodean se encargan del audio. El presupuesto de latencia está dominado por los dos extremos, no por el centro: la detección de punto final más la síntesis suele consumir más tiempo real que el primer token del modelo de lenguaje.

OrcaRouter resulta útil en medio de ese bucle por una razón distinta. Una sola API por delante de más de 200 modelos significa que el paso de razonamiento se puede cambiar sin reescribir la aplicación, y la conmutación automática por fallo hace que un contratiempo de un proveedor no termine la llamada. El modelo con 0 % de margen —el precio de lista del proveedor se traslada tal cual— importa cuando un proveedor recorta un precio, porque el recorte está activo en nuestro lado ese mismo día. Una advertencia honesta: enrutamos Gemma 4 26B A4B y Gemma 4 31B, no el 12B, que es un modelo de descarga y alojamiento propio. Si quieres el 12B detrás de una API, esa es una decisión de alojamiento de un tercero, no nuestra.

Elegir por restricción

• Necesitas entregar ya resultados de texto o multimodales — Gemma 4 12B, sin una alternativa seria en este par.

• Necesitas inferencia sin conexión en hardware que tú controlas: Gemma 4 12B, porque los pesos existen.

• Necesitas entender un documento, una imagen o una grabación de 30 segundos — Gemma 4 12B.

• Necesita una voz en vivo que pueda interrumpirse — Dessa es la única de las dos orientada a eso, y no está disponible.

• Necesitas expresividad emocional en el audio de salida — las demos de Dessa son la prueba, y están seleccionadas por el proveedor.

• Necesitas una licencia que puedas tramitar por el departamento de compras: la Apache 2.0 de Gemma 4 12B es la única licencia sobre la mesa.

¿Qué haría que esto fuera una comparación real?

Tres cosas cambiarían la respuesta. Una API de Dessa, para que ambas pudieran medirse en las mismas conversaciones. Un recuento de parámetros y una cifra de latencia publicados, para que la afirmación sobre el portátil pudiera reproducirse. O un modelo nativo de voz con pesos abiertos de otra persona, que convertiría "Dessa vs Gemma" en una comparación de arquitecturas en lugar de una comparación de disponibilidad.

Hasta entonces, el resumen justo es que Gemma 4 12B es un modelo multimodal local capaz con un cuello de botella de texto que no puede eliminar, y Dessa es un intento prometedor de eliminar ese cuello de botella sin ninguna forma pública de comprobar el resultado. El primero es una herramienta. El segundo es una hipótesis con excelentes valores de producción.