SubQ Snap 1.1 vs Gemma 4 12B: Un juez especialista frente a un generalista abierto

Pregunta tanto a SubQ Snap 1.1 como a Gemma 4 12B cuáles de quinientos tickets de soporte son solicitudes de reembolso, y ambos producirán una respuesta utilizable. Solo uno de ellos te dirá además, por ticket, qué tan seguro está — y solo uno de ellos se puede descargar y ejecutar en hardware que sea tuyo. Esa es toda la comparación, y la razón por la que no se resuelve en un ganador es que los dos modelos no están realmente en la misma categoría de producto. Snap 1.1 es un modelo de decisión publicado por Subquadratic el 22 de octubre de 2026: puntúa un conjunto fijo de opciones y no genera texto. Gemma 4 12B es el modelo generalista de pesos abiertos de Google DeepMind, un modelo denso de aproximadamente 12 mil millones de parámetros bajo Apache 2.0 que lee texto, imágenes, audio y vídeo y devuelve prosa.

Si los tratas como sustitutos, cometerás uno de dos errores: pagar tarifas de API por un clasificador que podrías ejecutar en un portátil, o intentar obtener un enrutamiento estructurado de un modelo que nunca fue entrenado para abstenerse. Si se tratan como dos capas del mismo pipeline, encajan razonablemente bien.

Lo que realmente es cada uno

Gemma 4 12B es el hijo intermedio de la familia Gemma 4, situado entre los modelos E2B y E4B en dispositivo y los niveles 26B-A4B y 31B. Su característica arquitectónica más destacada es que no tiene codificadores: los parches de imagen y las formas de onda de audio se proyectan directamente en el backbone del lenguaje en lugar de pasar por codificadores de visión y audio separados. Se ejecuta en una configuración de razonamiento y otra sin razonamiento, se distribuye bajo Apache 2.0, y es el tipo de modelo que un equipo elige porque se puede ajustar, cuantizar, integrar y distribuir sin pedir permiso a nadie. Los rastreadores no coinciden en la fecha exacta de lanzamiento —Artificial Analysis y BenchLM dicen el 3 de junio de 2026, llm-stats dice el 23 de mayo—, lo que es un pequeño recordatorio de que incluso los datos aburridos sobre lanzamientos abiertos se reformulan de manera diferente según quién los cuente.

SubQ Snap 1.1 es deliberadamente más limitado. Acepta hasta 384K tokens de texto e imágenes, además de un conjunto de respuestas definido por la aplicación —de una a dieciséis preguntas, de dos a 255 alternativas por pregunta— y devuelve una selección con una probabilidad. No hay salida de texto libre que analizar, ni esquema JSON que aplicar, ni forma de que el modelo responda una pregunta que no le hayas ofrecido. El argumento de Subquadratic es que esta es una tarea computacional diferente de la generación, y que una arquitectura de atención dispersa puede hacerlo con un cómputo constante por token en lugar de pagar atención cuadrática a lo largo de un documento de 300K tokens.

Las especificaciones, lado a lado

• Contexto — SubQ Snap 1.1 acepta 384K tokens en una sola pasada; Gemma 4 12B acepta 256K (262.144).

• Modalidad de entrada: Snap 1.1 acepta texto e imágenes; Gemma 4 12B acepta texto, imágenes, audio y vídeo.

• Salida — Snap 1.1 devuelve una opción o puntuación de tu lista, con una probabilidad; Gemma 4 12B genera texto de longitud arbitraria.

• Precio — Snap 1.1 cuesta $0.04 por 1 M de tokens de entrada y la salida es gratis; la mediana de Gemma 4 12B entre proveedores es de $0.10 por 1 M de entrada y $0.30 por 1 M de salida.

• Pesos — Snap 1.1 no publica ninguno; Gemma 4 12B se distribuye con pesos Apache 2.0 que puedes descargar, cuantizar y autoalojar.

• Calibración — Snap 1.1 informa un error de calibración esperado de 0,014 y una tasa de abstención del 86 % en preguntas que no puede responder; Gemma 4 12B no publica ninguna cifra de calibración comparable.

• Referencia de benchmark — Snap 1.1 obtiene 65 en el Artificial Analysis Decision Index v1.0, empatado en primer lugar; Gemma 4 12B obtiene 14 en el Artificial Analysis Intelligence Index, una cifra estimada para su clase de tamaño.

Esas dos últimas filas no son comparables y no deberían colocarse una al lado de la otra sin una advertencia. El Decision Index mide la calidad de las decisiones en una tarea de respuesta fija; el Intelligence Index mide el razonamiento general. Un 65 y un 14 responden a preguntas diferentes.

La tarea que ambos pueden hacer, y lo que cuesta.

Tomemos una llamada de enrutamiento realista: un hilo de tickets de 8,000 tokens, cinco colas candidatas, una respuesta. Snap 1.1 cobra $0.04 por millón de tokens de entrada y nada por la salida, así que la llamada cuesta aproximadamente $0.00032. Gemma 4 12B, con el precio medio de los proveedores, cobra $0.0008 por los mismos 8,000 tokens de entrada, más la salida: una etiqueta simple es quizá de cinco tokens, o $0.0000015, pero una configuración de razonamiento que piensa antes de responder puede gastar fácilmente de 200 a 400 tokens, que son otros $0.00006 a $0.00012.

Por lo tanto, a tarifas de API, Snap es dos o tres veces más barato por llamada, y la diferencia se amplía a medida que el documento se alarga, porque el precio de entrada de Gemma es dos veces y media el de Snap. Con 100K tokens, la comparación es de $0.004 frente a $0.010 antes de que Gemma escriba nada en absoluto.

Ahora, aloja Gemma 4 12B en una GPU que ya tienes. El coste marginal por llamada se reduce a la electricidad y la comparación se invierte por completo. Esto es lo más importante de esta comparación: Snap 1.1 solo es más barato si compras inferencia por token. Si tienes capacidad ociosa, Gemma es gratis en el margen y Snap nunca lo será.

Dónde gana Gemma 4 12B

La respuesta obvia es el código abierto, pero la versión útil es más específica. Apache 2.0 significa que ningún proveedor puede declarar obsoleto el endpoint sin que puedas evitarlo, ningún límite de velocidad puede ralentizar un trabajo por lotes a las 2 de la madrugada y ningún dato sale de tu red. Para un flujo de trabajo regulado —triaje de reclamaciones, codificación clínica, revisión de contratos— ese último punto suele zanjar la discusión antes de que se hable del precio.

Gemma también hace cosas que Snap estructuralmente no puede. Escribe el resumen de escalamiento después de que el enrutador decide escalar. Lee un formulario escaneado, transcribe la grabación de una llamada y responde una pregunta sobre ambos en una sola pasada. Se puede afinar con tus propios datos etiquetados, lo que para una tarea de clasificación limitada a menudo supera el comportamiento zero-shot de cualquier modelo general. Según las cifras publicadas por el propio proveedor, obtiene 77,2 en MMLU-Pro, 78,8 en GPQA y 72,0 en LiveCodeBench v6 —modesto para un modelo de frontera, totalmente respetable para algo que cabe en un solo acelerador.

Sus debilidades son igualmente específicas: un 5,2 en Humanity's Last Exam sin herramientas, un 43,4 en recuperación de contexto largo de MRCRv2 y una latencia del primer token de aproximadamente 2,4 a 2,6 segundos con las velocidades típicas de los proveedores, lo que resulta algo lento para un salto de enrutamiento en un bucle de agente.

Dónde gana SubQ Snap 1.1

Tres cosas, en orden de importancia. Primero, la abstención calibrada. Snap 1.1 informa una tasa del 86 % de decir «no lo sé» en preguntas que no puede responder correctamente, frente al 0,7 % de su propia versión 1.0 en el proxy de omnisciencia del proveedor; la mejora es lo más destacado de esta versión. Lograr que un LLM general se abstenga de forma fiable requiere ingeniería de prompts, una heurística de confianza o un segundo modelo que evalúe al primero, y ninguna de esas opciones es tan limpia como un modelo entrenado con la abstención como objetivo explícito.

Segundo, el contexto. 384K en una sola pasada frente a 256K y —lo más relevante— ninguna estrategia de fragmentación que diseñar. Un modelo general a 256K puede técnicamente contener el documento; si recupera la frase correcta de en medio de él es otra cuestión, y el 43,4 de Gemma en MRCRv2 sugiere que la respuesta honesta es «a veces».

Tercero, la forma de la salida. Una probabilidad sobre tus cinco colas es directamente utilizable como umbral de enrutamiento. Una frase generada no lo es, y el código de conexión que convierte una en la otra es donde viven la mayoría de los errores de clasificación en producción.

Lo que Snap no tiene es ninguna verificación independiente de 1.1. Las evaluaciones de terceros que existen probaron el modelo de vista previa, y una de ellas —un estudio de calificación de relevancia documental de 95pctai que compara Snap con Gemma 4 31B— encontró que Snap era aproximadamente dos veces más rápido y costaba la mitad por ejecución, pero le faltaban 21 respuestas que la línea base de Gemma captó. El autor del estudio señala que tanto el juez como la línea base eran modelos de Google, lo que podría favorecer a Gemma, y que Snap se ejecutó solo una vez.

Realidad del despliegue

Gemma 4 12B no está en el catálogo de OrcaRouter. Ofrecemos los niveles 26B-A4B y 31B de la misma familia, y el 12B está disponible a través de los canales propios de Google y varias plataformas de terceros. Snap 1.1 tampoco es nuestro: funciona mediante la API de Subquadratic en console.subq.ai.

La pregunta práctica para la mayoría de los equipos no es en cuál estandarizar, sino si la capa de decisión y la capa de generación deberían compartir una dependencia. Fallan de manera distinta. Un enrutador que se cae detiene tu pipeline antes de que ocurra cualquier trabajo; un generador que se cae lo detiene a mitad de camino. Mantener los dos en proveedores separados — una sola clave para más de 200 modelos de generación en OrcaRouter con 0% de margen sobre la lista del proveedor y conmutación por error automática, un solo contrato para el modelo de decisión — significa que una mala tarde en cualquiera de los proveedores degrada el pipeline en lugar de detenerlo.

Cómo decidir en una sola pasada

Si la decisión consiste en asignar una etiqueta sobre un conjunto fijo de opciones, los documentos son largos y no puedes alojar los pesos: Snap 1.1, y presupuesta la creación de tu propio arnés de evaluación, porque nadie ha publicado uno para esta versión.

Si la decisión es una etiqueta pero esa misma llamada también tiene que producir texto, o si los datos no pueden salir de tu red, o si tienes capacidad de GPU disponible: Gemma 4 12B, ajustado con unos miles de tus propios ejemplos, normalmente superará a un modelo de decisión de propósito general en tu tarea específica.

Si tienes verdaderas dudas, el experimento barato consiste en pasar ambos por los mismos 2000 casos etiquetados y comparar no la exactitud, sino el coste de los errores que comete cada uno. Snap se abstendrá más. Gemma responderá más y se equivocará más a menudo sin decirlo. Cuál de esas cosas es peor es una propiedad de tu negocio, no de ninguno de los dos modelos.