SubQ Snap 1.1 לעומת Gemma 4 12B: שופט מומחה מול גנרליסט פתוח

שאל את שניהם, את SubQ Snap 1.1 ואת Gemma 4 12Bאילו מחמש מאות פניות התמיכה הן בקשות להחזר כספי, ושניהם יפיקו תשובה שמישה. רק אחד מהם גם יאמר לך, עבור כל פנייה, עד כמה הוא בטוח — ורק אחד מהם ניתן להוריד ולהריץ על חומרה שבבעלותך. זו כל ההשוואה, והסיבה שהיא אינה מסתיימת במנצח היא ששני המודלים לא באמת שייכים לאותה קטגוריית מוצרים. Snap 1.1 הוא מודל החלטה ששוחרר על ידי Subquadratic ב-22 באוקטובר 2026: הוא נותן ציון לקבוצה קבועה של אפשרויות ואינו מייצר טקסט. Gemma 4 12B הוא המודל הכללי בעל המשקלים הפתוחים של Google DeepMind, מודל צפוף עם כ-12 מיליארד פרמטרים ברישיון Apache 2.0, שקורא טקסט, תמונות, אודיו ווידאו וכותב טקסט בחזרה.

אם תתייחס אליהם כאל תחליפים, תעשה אחת משתי טעויות: לשלם בתעריפי API עבור מסווג שיכולת להריץ על מחשב נייד, או לנסות להפיק ניתוב מובנה ממודל שמעולם לא אומן להימנע מהכרעה. כשמתייחסים אליהם כאל שתי שכבות באותו פייפליין, הם משתלבים יחד בצורה סבירה.

מה כל אחד הוא בפועל

Gemma 4 12B הוא הילד האמצעי במשפחת Gemma 4, וממוקם בין דגמי E2B ו-E4B שעל המכשיר לבין דרגי 26B-A4B ו-31B. הטענה הארכיטקטונית הבולטת שלו היא שהוא נטול מקודדים: פיסות תמונה וצורות גל שמע מוקרנות ישירות אל הליבה הלשונית במקום לעבור דרך מקודדי חזון ושמע נפרדים. הוא פועל בתצורת הסקה ובתצורה ללא הסקה, מופץ תחת Apache 2.0, והוא מסוג המודלים שצוות בוחר בהם משום שאפשר לכוונן אותו, לכמת אותו, להטמיע אותו ולשחרר אותו בלי לבקש רשות מאף אחד. העוקבים חלוקים לגבי תאריך השחרור המדויק — Artificial Analysis ו-BenchLM אומרים 3 ביוני 2026, llm-stats אומר 23 במאי — וזו תזכורת קטנה לכך שגם העובדות המשעממות לגבי שחרורים פתוחים מנוסחות מחדש באופן שונה בהתאם למי שסופר.

SubQ Snap 1.1 צר יותר בכוונה. הוא מקבל עד 384K אסימונים של טקסט ותמונות, בתוספת סט תשובות מוגדר על ידי האפליקציה — בין שאלה אחת לשש עשרה שאלות, בין שתיים ל-255 חלופות לכל שאלה — ומחזיר בחירה עם הסתברות. אין פלט טקסט חופשי לפרסור, אין סכימת JSON לאכוף, ואין דרך למודל לענות על שאלה שלא הצעת לו. הטענה של Subquadratic היא שזו משימה חישובית שונה מיצירה, ושאדריכלות קשב דלילה יכולה לבצע אותה בחישוב קבוע לכל אסימון במקום לשלם על קשב ריבועי על פני מסמך של 300K אסימונים.

המפרטים, זה לצד זה

• הקשר — SubQ Snap 1.1 מקבל 384K אסימונים במעבר אחד; Gemma 4 12B מקבל 256K (262,144).

• סוג קלט — Snap 1.1 מקבל טקסט ותמונות; Gemma 4 12B מקבל טקסט, תמונות, אודיו ווידאו.

• פלט — Snap 1.1 מחזיר בחירה או ציון מהרשימה שלך, עם הסתברות; Gemma 4 12B מייצר טקסט באורך שרירותי.

• מחיר — Snap 1.1 עולה $0.04 לכל מיליון טוקני קלט, כאשר הפלט בחינם; החציון של Gemma 4 12B בקרב הספקים הוא $0.10 לכל מיליון קלט ו-$0.30 לכל מיליון פלט.

• משקלים — Snap 1.1 אינה מפרסמת כלל; Gemma 4 12B מגיעה עם משקלים ברישיון Apache 2.0 שניתן להוריד, לכמת ולארח בעצמכם.

• כיול — Snap 1.1 מדווחת על שגיאת כיול צפויה של 0.014 ושיעור הימנעות של 86% בשאלות שאין ביכולתה לענות עליהן; Gemma 4 12B אינה מפרסמת נתון כיול בר-השוואה.

• עוגן בנצ'מרק — Snap 1.1 משיגה 65 ב-Artificial Analysis Decision Index v1.0, וחולקת את המקום הראשון; Gemma 4 12B משיגה 14 ב-Artificial Analysis Intelligence Index, נתון מוערך עבור מחלקת הגודל שלה.

שתי השורות האחרונות אינן ברות השוואה ואין למקם אותן זו לצד זו ללא אזהרה. ה-Decision Index מודד איכות החלטה במשימה עם תשובה קבועה; ה-Intelligence Index מודד חשיבה כללית. 65 ו-14 עונים על שאלות שונות.

המשימה ששניהם יכולים לבצע, ומה היא עולה

קחו קריאת ניתוב מציאותית: שרשור פניות בן 8,000 טוקנים, חמישה תורים מועמדים, תשובה אחת. Snap 1.1 גובה $0.04 למיליון טוקני קלט ולא כלום עבור פלט, כך שהקריאה עולה כ-$0.00032. Gemma 4 12B בתמחור החציוני של ספק גובה $0.0008 עבור אותם 8,000 טוקני קלט, בתוספת פלט — תווית בלבד היא אולי חמישה טוקנים, או $0.0000015, אבל תצורת הסקה שחושבת לפני שהיא עונה יכולה בקלות להוציא 200 עד 400 טוקנים, שהם עוד $0.00006 עד $0.00012.

לפיכך, בתעריפי API Snap זולה פי שניים עד שלושה לכל קריאה, והפער גדל ככל שהמסמך מתארך, מפני שמחיר הקלט של Gemma גבוה פי שניים וחצי מזה של Snap. ב־100K טוקנים ההשוואה היא $0.004 לעומת $0.010 לפני ש־Gemma כותבת משהו בכלל.

עכשיו הריצו בעצמכם את Gemma 4 12B על GPU שכבר נמצא בבעלותכם. העלות השולית לכל קריאה יורדת לחשמל, וההשוואה מתהפכת לחלוטין. זה הדבר החשוב ביותר בהשוואה הזו: Snap 1.1 זולה יותר רק אם רוכשים הסקה לפי טוקן. אם יש לכם קיבולת פנויה, Gemma בחינם בשוליים ו-Snap לעולם לא תהיה.

היכן ש-Gemma 4 12B מנצח

התשובה הברורה היא פתיחות, אבל הגרסה השימושית ספציפית יותר. Apache 2.0 משמעותו שאף ספק לא יכול להכריז על נקודת הקצה כמיושנת מתחת לרגליים שלך, שום מגבלת קצב לא יכולה לחנוק עבודת אצווה בשתיים בלילה, ושום נתון לא יוצא מהרשת שלך. עבור זרימת עבודה ברגולציה — מיון תביעות, קידוד קליני, סקירת חוזים — הנקודה האחרונה בדרך כלל מכריעה את הוויכוח לפני שמדברים על מחיר.

Gemma גם עושה דברים ש-Snap אינה בנויה לעשות מבחינה מבנית. היא כותבת את סיכום ההסלמה לאחר שהראוטר מחליט להסלים. היא קוראת טופס סרוק, מתמללת הקלטת שיחה ועונה על שאלה לגבי שניהם במעבר אחד. ניתן לכוונן אותה על נתונים מתויגים משלך, אשר עבור משימת סיווג צרה לעתים קרובות עולים על התנהגות zero-shot של כל מודל כללי. לפי המספרים שפרסם הספק בעצמו, היא משיגה 77.2 ב-MMLU-Pro, 78.8 ב-GPQA ו-72.0 ב-LiveCodeBench v6 — צנוע עבור מודל מן השורה הראשונה, ומכובד לחלוטין עבור משהו שנכנס על גבי מאיץ בודד.

חולשותיה ספציפיות באותה מידה: 5.2 ב-Humanity's Last Exam ללא כלים, 43.4 ב-MRCRv2 לאחזור הקשר ארוך, וזמן השהיה של האסימון הראשון של כ-2.4 עד 2.6 שניות במהירויות ספק אופייניות, שזה בצד האיטי עבור קפיצת ניתוב בלולאת סוכן.

איפה SubQ Snap 1.1 מנצח

שלושה דברים, לפי סדר חשיבותם. ראשית, הימנעות מכוילת. Snap 1.1 מדווח על שיעור של 86% של אמירת "איני יודע" בשאלות שאינו יכול לענות עליהן נכון, לעומת 0.7% בגרסת 1.0 של עצמו בפרוקסי היודע-כל של הספק — השיפור הוא הכותרת של גרסה זו. כדי לגרום למודל שפה כללי להימנע באופן אמין נדרשים הנדסת פרומפטים, היוריסטיקת ביטחון, או מודל שני שידרג את הראשון, ואף אחד מאלה אינו נקי כמו מודל שאומן עם הימנעות כיעד מפורש.

שנית, הקשר. 384K במעבר יחיד לעומת 256K, ו—יותר רלוונטי—אין אסטרטגיית חלוקה למקטעים שצריך לתכנן. מודל כללי ב־256K יכול מבחינה טכנית להחזיק את המסמך; האם הוא מאחזר את המשפט הנכון מאמצעו היא שאלה אחרת, והציון 43.4 של Gemma ב־MRCRv2 מרמז שהתשובה הכנה היא "לפעמים".

שלישית, צורת הפלט. הסתברות על פני חמשת התורים שלך שמישה ישירות כסף ניתוב. משפט שנוצר אינו כזה, וקוד הדבק שהופך את האחד לשני הוא המקום שבו חיות רוב תקלות הסיווג בייצור.

מה ש-Snap אינו כולל הוא כל אימות בלתי־תלוי של {{1}}1.1{{/1}}. ההערכות של צד שלישי שקיימות בדקו את מודל התצוגה המקדימה, ואחת מהן — מחקר דירוג רלוונטיות מסמכים של 95pctai שהשווה את Snap ל-Gemma 4 31B — מצאה ש-Snap מהיר בערך פי שניים ובמחצית המחיר לכל הרצה, אך החמיץ 21 תשובות שבסיס הייחוס של Gemma לכד. מחבר המחקר מציין שגם השופט וגם בסיס הייחוס היו מודלים של Google, מה שעשוי להיטיב עם Gemma, ושה-Snap הורץ רק פעם אחת.

מציאות הפריסה

Gemma 4 12B אינו נמצא בקטלוג של OrcaRouter. אנו מספקים את שכבות ה-26B-A4B וה-31B של אותה משפחה, וה-12B זמין דרך הערוצים של Google עצמה ומספר פלטפורמות צד שלישי. Snap 1.1 גם הוא לא שלנו: הוא פועל דרך ה-API של Subquadratic בכתובת console.subq.ai.

השאלה המעשית עבור רוב הצוותים אינה על איזו מהן לתקנן, אלא אם שכבת ההחלטה ושכבת הייצור צריכות לחלוק תלות. הן נכשלות באופן שונה. נתב שקורס עוצר את הצינור שלכם לפני שנעשתה כל עבודה; מחולל שקורס עוצר אותו באמצע הדרך. החזקת השניים אצל ספקים נפרדים — מפתח אחד ל-200+ מודלים של ייצור ב-OrcaRouter עם 0% תוספת מעל מחירון הספק ומעבר אוטומטי בכשל, חוזה אחד למודל ההחלטה — פירושה שאחר צהריים רע אצל מי מהספקים פוגע בצינור במקום לעצור אותו.

איך להחליט במעבר אחד

אם ההחלטה היא להקצות תווית מתוך קבוצת אפשרויות קבועה, המסמכים ארוכים, ואין באפשרותך לארח משקלים: Snap 1.1, ותקציב בנייה של מערך הערכה משלך כי אף אחד לא פרסם כזה עבור גרסה זו.

אם ההחלטה היא תווית אבל אותה קריאה גם חייבת להפיק טקסט, או שהנתונים לא יכולים לצאת מהרשת שלך, או שיש לך קיבולת GPU פנויה: Gemma 4 12B, עם כיוונון עדין על כמה אלפי דוגמאות משלך, בדרך כלל יגבר על מודל החלטות לשימוש כללי במשימה הספציפית שלך.

אם אתה באמת לא בטוח, הניסוי הזול הוא להריץ את שניהם על אותם 2,000 מקרים מתויגים ולהשוות לא את הדיוק אלא את עלות השגיאות שכל אחד מהם עושה. Snap יימנע יותר. Gemma יענה יותר ויטעה לעתים קרובות יותר בלי לומר זאת. מה מזה גרוע יותר הוא תכונה של העסק שלך, לא של אף אחד מהמודלים.