UserRepGen-4B מול Gemma 4 12B: מומחה צר בעל 4B נגד גנרליסט בעל 12B, ולמה הגדלים משקרים

כשמציבים אותם זה לצד זה, microsoft/UserRepGen-4B וGemma 4 12B נראים כמו אי-התאמה שנקבעה מראש. המודל של גוגל, עם 11.95 מיליארד פרמטרים, קורא טקסט, תמונות ואודיו, מחזיק הקשר של 256K אסימונים, מגיע עם דוח טכני ובלוג השקה, והורד כ-79,000 פעמים מאז מאי 2026. המודל של מיקרוסופט הוא LoRA בדרגה 64 על Qwen3.5-4B, שהועלה ב-14 באוקטובר 2026 בלי שום הכרזה, והוא עושה דבר אחד בדיוק: הוא קורא שיחה מוגמרת בין משתמש לעוזר וכותב בחזרה תיאור JSON בעל שני שדות של האדם שבה. הוא לא יכול לקיים שיחה, לענות על שאלה או לראות תמונה. שקילת השניים האלה לפי יכולת אינה השוואה, זו שגיאת קטגוריה — ושגיאת הקטגוריה היא החלק המעניין, מפני שהמודל הקטן יותר הוא זה שמנצח ג'נרליסט בחזית במשימה שלשמה הוא נבנה.

למה כל אחד מהם בעצם מיועד

הדרך הנקייה ביותר להחזיק את שניהם בראש היא ש-Gemma 4 12B הוא עוזר ו-UserRepGen-4B הוא מכשיר מדידה.

• Gemma 4 12B — החבר המולטימודאלי נטול המקודד במשפחת Gemma 4. טקסט, תמונה ואודיו נכנסים; טקסט יוצא. הכרטיס של Google עצמו מתאר אותו כ'מאוחד' מכיוון שהוא מוותר על מקודדי הראייה והאודיו הייעודיים שבהם משתמשת שאר המשפחה, ומקרין טלאי תמונה וצורות גל גולמיים ישירות אל מרחב ההטמעה של המפענח דרך שכבות ליניאריות קלות-משקל. 48 שכבות, חלון הזזה של 1,024 טוקנים, אוצר מילים של 262K, הקשר של 256K טוקנים. Apache 2.0, גרסאות מכווננות להוראות שפורסמו לצד גרסת הבסיס.

• UserRepGen-4B — מחולל ייצוגים. קלט: שיחה רבת-תורים מורשית, עד 8,192 טוקנים. פלט: אובייקט JSON עם שדה task ושדה user_behavior, מוגבל ל-1,024 טוקנים, נבדק על ידי אדם ולאחר מכן מועבר ל-LLM נפרד שמגלם את המשתמש בסימולציה. MIT על התרומה של Microsoft, Apache 2.0 בירושה מהשלד של Q​wen. טקסט בלבד, למרות שהצ'קפוינט מחזיק מגדל ראייה שהוא לעולם אינו משתמש בו.

אפשר לבקש מ-Gemma 4 12B לעשות את מה ש-UserRepGen-4B עושה — לקרוא שיחה ולתאר את המשתמש בה. זו בדיוק הדרך הכנה להיכנס להשוואה הזו, מפני שהכרטיס של מיקרוסופט מודד מודל כללי שעושה בדיוק את זה, והוא מפסיד.

המספר הממשי היחיד שמחבר ביניהם

לא פורסמה השוואה ישירה בין השניים, והמצאת אחת כזו תהיה הכישלון הקל שעמוד כזה עלול ליפול בו. מה שכרטיס המודל של UserRepGen-4B כן מפרסם הוא הערכת נאמנות על 700 שיחות בסולם של 1 עד 10, שבה כל מחולל נשפט לפי קריאות זהות. בטבלה הזאת, GPT-5.5בשימוש כפי שהוא כמחולל ייצוגים משיג 3.90 ב-best-of-1 ו-4.90 ב-best-of-3. UserRepGen-4B משיג 4.95 ו-6.02. המומחה המאומן בעל 4B גובר על כללי-תכלית חזיתי שגדול בסדרי גודל במשימה הספציפית הזו.

Gemma 4 12B לא מופיע בטבלה ההיא, כך שאיש לא יודע היכן הוא היה נוחת. אבל קו הבסיס שמולו הוא יימדד מבהיר את צורת התשובה: מודל כללי שמתבקש לתאר משתמש מייצר משהו סביר וגנרי, ושיטת האימון ב-UserRepGen-4B קיימת במיוחד כדי לחרוג מכך. סביר מאוד ש-12B ינצח את ה-4B בחשיבה כללית ויובס על ידו במשימה הצרה הזו.

מה שמעלה את השאלה המתבקשת מדוע שלא פשוט תיצרו פרומפט ל-Gemma 4 12B לעשות את אותו הדבר ותשאירו מודל אחד בדיסק. שתי סיבות, והשנייה היא זו שחשובה.

הראשון הוא עלות בהיקף גדול. יצירת ייצוג לכל שיחה היא עבודת אצווה, ומודל של 12B פרמטרים עולה בערך פי שלושה ממודל של 4B פרמטרים עבור אותה הרצה. השני הוא שפער הנאמנות אינו בעיית כיוונון — בדיקות האבלציה של הכרטיס עצמו מראות שכיוונון עדין מפוקח רגיל מגיע ל-4.64/5.68, בעוד גם OPSD וגם GRPO, שתי שיטות למידת החיזוק שצוות מוכשר היה פונה אליהן ראשית, נוחתות מתחת לכך ב-4.46/5.60 וב-3.57/4.59. הבאת מודל כללי להתנהגות הזו אינה עניין של פרומפט טוב יותר או הרצת למידת חיזוק כבדה יותר. זה מה שלולאת האימון נבנתה עבורו.

שניהם ניתנים להורדה, ורק אחד מהם ניתן לפריסה

כאן המסגור של 4B מול 12B מתפרק לחלוטין, כי שתי ההשקות נמצאות בקצוות מנוגדים של ספקטרום האריזה.

• Gemma 4 12B — מוצר ששוחרר עם אקוסיסטם עובד. תמיכה ב-Transformers, גרסה מכווננת להוראות, פורמטים מכומתים ופורמטים לקצה שפורסמו לאורך כל המשפחה, בלוג השקה, דוח טכני ב-arXiv, ומסלול מתועד מהורדה ועד הגשה.

• UserRepGen-4B — קובץ safetensors יחיד מסוג bfloat16 בגודל 9,078,620,536 בייטים. אין GGUF, אין ONNX, אין MLX, ואין כימות מכל סוג שהוא. הכרטיס אומר זאת במפורש: "אין כרגע פורמטים מאופטמים או ספציפיים להתקן זמינים."

הפער הזה אינו מקרי. Gemma 4 12B נבנה כדי שאנשים אחרים יריצו אותו, ואחד־עשר וחצי מיליארד פרמטרים נשלחים כמוצר. UserRepGen-4B נבנה כדי להפיק תוצאה עבור מאמר, והכרטיס שלו עדיין אומר שהציטוט "ממתין לאישור" ומתייחס לאימות "כשהמאגר פרטי" — שורה שנותרה מהעלאה מדורגת שלא עודכנה. האחד מוגמר; האחר מוגמר מספיק.

אם מה שרצית באמת היה Gemma 4 דרך API

כדאי לומר זאת בפשטות, כי זה בדיוק המקום שבו נמצאים בפועל רוב הקוראים של השוואת Gemma: OrcaRouter אינו מגיש את Gemma 4 12B — אין עבורו דף מודל בקטלוג שלנו — והוא גם אינו מגיש את UserRepGen-4B. עם זאת, שני חברים אחרים באותה משפחת Gemma 4 כן נמצאים בקטלוג, ושניהם מציגים את מחיר המחירון של הספק בלי שום תוספת: Gemma 4 26B A4B, מבנה ה-mixture-of-experts עם 25.2B פרמטרים ו-3.8B פרמטרים פעילים על פני חלון הקשר של 262,144 טוקנים, במחיר של $0.06 למיליון טוקני קלט ו-$0.33 למיליון טוקני פלט; ו-Gemma 4 31B, מבנה ה-multimodal הצפוף עם 30.7B פרמטרים, במחיר של $0.13 ו-$0.38. אם רציתם את ה-12B במיוחד לעבודה מקומית, ההורדה היא התשובה, ושום API לא משנה זאת.

בצד הסימולציה, העמדה הכנה היא זהה. UserRepGen-4B הוא צ'קפוינט וקובץ פרומפט — אתה מריץ אותו בעצמך, בסביבה שלך, על שיחות שאתה מורשה לעבד. זה היה נוח אם זו הייתה קריאה לנקודת קצה מתארחת. זה לא כך היום, לא אצלנו ולא בשום מקום אחר.

איזה מהם להוריד?

אם אתה צריך עוזר מולטימודלי קטן שקורא מסמכים, שומע אודיו ועונה על שאלות במחשב נייד, Gemma 4 12B הוא זה, וההשוואה ל-UserRepGen-4B אפילו לא קרובה מספיק כדי להיות רלוונטית. אם אתה בונה סימולטור משתמש והגישה הנוכחית שלך היא לכתוב פרומפט למודל כללי שיתאר את המשתמש, UserRepGen-4B הוא הדבר היחיד כאן שאומן לכך, והראיות — מדווחות על ידי הספק, ממעבדה אחת, ונשפטות על ידי GPT-5.4 mini לאורך כל הדרך — אומרות שהאימון מנצח את הפרומפטינג. מה שישנה את התמונה הוא המאמר, או הערכה בלתי תלויה אחת של אותו 4.95 מחוץ ל-Microsoft. אף אחד מהם עדיין לא קיים, ושניהם שווים המתנה לפני שמישהו מחליף בכך צינור עיבוד פעיל.

השוואות כמו זו הן גם המקום שבו מצבי הכשל מתגלים: האירועים המתועדים של בינה מלאכותית וכשלי סוכנים מאחורי מודלים במחלקה הזו נאספים בOrcaRouter AI Incident Archive, שבו כל ערך נושא מקורות משלו, חומרה, דירוג ביטחון וסימון שנוי במחלוקת.