Beam 1.0 vs Gemma 4 12B: 501 Miliar Parameter Berbanding 12, dan Apa yang Sebenarnya Didapat dari Kesenjangan Itu

Salah satu dari model-model ini muat di laptop. Yang lain membutuhkan rak, dan selisih di antara keduanya adalah faktor empat puluh. Reflection Beam 1.0 adalah model sparse mixture-of-experts dengan total 501,3 miliar parameter yang mengaktifkan 23,4 miliar di antaranya per token — diumumkan oleh Reflection pada 5 Oktober 2026 sebagai pratinjau dengan daftar tunggu, dan benar-benar dirilis sebagai bobot yang dapat diunduh pada 16 Oktober 2026 di bawah Apache 2.0 dalam build BF16, FP8, dan NVFP4, bersama drafter speculative-decoding DFlash2 yang kecil. G​emma 4 12B adalah model dense tanpa encoder dari G​oogle DeepMind dengan 11,95 miliar parameter, dirilis 3 Juni 2026, yang membaca teks, gambar, audio, dan frame video, menulis teks, serta terkuantisasi hingga sesuatu yang dapat ditampung mesin 16GB. Kedua lisensinya permisif, kedua outputnya teks, dan keduanya ada di Hugging Face saat ini. Hampir tidak ada hal lain tentang keduanya yang sama, dan pertanyaan yang berguna bukanlah mana yang lebih pintar — melainkan mana dari keduanya yang menjawab masalah Anda tanpa purchase order.

Ini lebih penting daripada biasanya, karena selama sebelas hari Beam 1.0 adalah model yang hanya bisa Anda baca dan belum bisa Anda miliki. Pengumuman Reflection pada 5 Oktober menjanjikan bobot Apache 2.0 "belakangan bulan ini," dan repositori itu tetap kosong. Per 16 Oktober 2026, koleksi tersebut sudah aktif dengan empat repositori dan kartu modelnya memuat tabel evaluasi lengkap. Rilis itulah alasan perbandingan ini bisa ditulis sebagai perbandingan sama sekali, bukan sebagai catatan tentang sebuah judul berita.

Di mana posisi keduanya, dalam satu kali proses

Semua yang ada di bawah ini adalah dokumentasi milik vendor sendiri atau Artificial Analysis. Jika suatu angka berasal dari vendor dan belum ada yang mereproduksinya, halaman ini menyatakannya di tempat angka tersebut berada, bukan dalam penafian di bagian bawah.

• Total parameter — Beam 1.0 501,3B vs G​emma 4 12B 11,95B. Rasionya kira-kira 42 banding 1.

• Parameter aktif per token — 23,4B vs 11,95B. Rasionya menyusut menjadi sekitar 2 banding 1, itulah seluruh triknya: model sparse hanya membayar untuk bagian dari dirinya yang digunakan.

• Arsitektur — Beam 1.0 adalah MoE 52 lapis dengan 256 expert, tiga lapisan dense dan 49 lapisan expert, attention lokal dan global yang berselang-seling, serta gated grouped-query attention dengan sliding-window attention; Gemma 4 12B bersifat dense, 48 lapis, tanpa encoder multimodal sama sekali — penanganan visi dan audio dilatih ke dalam model, bukan ditempelkan belakangan.

• Jendela konteks — Beam 1.0 1.000.000 token pada kartu model; G​emma 4 12B 262.144 token. Keduanya merupakan angka terbesar yang ditawarkan oleh keluarga masing-masing.

• Modalitas — Beam 1.0 adalah teks masuk, teks keluar, dan kartunya menyatakan demikian secara gamblang; G​emma 4 12B menerima teks, gambar, audio, dan bingkai video, lalu mengembalikan teks.

• Lisensi — Apache 2.0 pada keduanya, dapat digunakan secara komersial, tanpa batas jumlah pengguna. Inilah titik terdekat kedua model itu untuk menjadi hal yang sama.

• Evaluasi yang dipublikasikan — Beam 1.0 menyertakan tabel evaluasi untuk checkpoint BF16, FP8, dan NVFP4; kartu Gemma 4 12B memuat angka milik Google sendiri dan telah dinilai secara independen sejak Juni.

• Skor independen — Artificial Analysis Intelligence Index v4.3.2 menempatkan Beam 1.0 pada 30, peringkat ke-19 dari 120 model di kelas pembandingnya, dan Gemma 4 12B pada 14, peringkat ke-20 dari 141 — selisih 16 poin yang menguntungkan model yang lebih besar, dengan angka Gemma membawa catatan kaki "estimated" karena evaluasi independen pada 12B masih tertunda.

Apa sebenarnya Beam 1.0 itu, sekarang setelah bobotnya ada

Kartu model menyebutkan: 501,3 miliar parameter total, 23,4 miliar aktif, 52 lapisan yang tiga di antaranya padat dan 49 adalah MoE, 256 pakar, kosakata 152.000 token, batas pengetahuan 30 Juni 2026, dan modalitas hanya teks. Templat obrolan adalah format Harmony yang dimodifikasi dengan dua kanal — analisis dan final — dan pengaturan reasoning_effort yang menerima bilangan bulat atau salah satu dari minimal, low, medium, high, xhigh, dan max, yang memetakan ke 8, 32, 64, 128, 256, dan 512. Default yang disajikan saat parameter tidak diatur adalah 512. Dokumentasi templat itu sendiri mencatat bahwa minimal, pada 8, adalah upaya terkecil yang pernah disampel oleh data pelatihan, sehingga anggaran yang lebih kecil tidak dipatuhi.

Ada tiga hal tentang spesifikasi itu yang patut disorot, karena bagian-bagian itulah yang menentukan apakah Anda dapat menggunakannya.

Yang pertama adalah bahwa pengaturan effort tidak memiliki sakelar mati. Beam selalu bernalar; Anda yang memilih seberapa banyak. Untuk loop agen, itu berarti setiap giliran membawa prefiks deliberasi yang ditagih dan, jika Anda memutar ulang riwayat, ditagih ulang. Templat bahkan memunculkan error ketika allow_missing_thinking diatur ke false dan giliran asisten sebelumnya telah menghilangkan penalarannya, justru karena menghapusnya menurunkan kualitas keluaran. Itu adalah biaya yang terdokumentasi, bukan bug.

Yang kedua adalah build terkuantisasi. Reflection menerbitkan checkpoint FP8 dan NVFP4 pada hari yang sama dengan model BF16, bersama dengan drafter DFlash2. Repositori NVFP4 dicantumkan pada 255B dibandingkan dengan BF16 501B, dan kartu tersebut mengatribusikan kuantisasi kepada llm-compressor dengan kredit kepada staf N​VIDIA atas panduannya. Adanya build empat bit pada hari nol mengubah siapa saja yang benar-benar bisa menjalankannya — 501B pada bfloat16 kira-kira satu terabyte bobot, yang merupakan percakapan pembelian yang berbeda dari 255B pada empat bit.

Yang ketiga adalah yang hilang. Tidak ada rekomendasi serving di kartu, tidak ada spesifikasi minimum perangkat keras yang dipublikasikan, dan tidak ada harga API yang dipublikasikan di mana pun pada properti milik Reflection sendiri. Halaman Artificial Analysis untuk model tersebut mencatat kolom harga sebagai tidak tersedia dan menyebutkan "Tidak ada API yang tersedia untuk publik" — yang, untuk model yang seluruh nilai jualnya adalah bahwa model itu murah untuk dijalankan, justru merupakan baris yang seharusnya ingin Anda lihat terisi.

Apa itu G​emma 4 12B, dan mengapa ukurannya menjadi argumen

K​artu G​oogle memberikan G​emma 4 12B 11,95 miliar parameter di 48 lapisan, konteks 262.144 token, kosakata bersama 262.000 token di seluruh keluarga, dan jendela geser 1.024 token — dua kali lipat dari yang digunakan ukuran E2B dan E4B yang lebih kecil. Attention menyisipkan attention jendela geser lokal dengan attention global penuh, dan lapisan terakhir selalu global. Model ini dilatih sebelumnya pada lebih dari 140 bahasa dengan klaim dukungan siap pakai untuk 35 bahasa atau lebih.

Keputusan rekayasa yang menarik bersifat arsitektural: model ini tidak memiliki encoder terpisah. Cara Google merumuskannya adalah bahwa penanganan multimodal dilatih di dalam model, bukan ditempelkan, sehingga checkpoint yang sama melayani visi dan audio tanpa perlu memuat set bobot kedua. Di perangkat, itulah perbedaan antara model yang dapat dideploy dan sebuah pipeline.

G​oogle juga merilis pelatihan sadar kuantisasi alih-alih mengandalkan kuantiser pasca-hoc, dan menerbitkan QAT GGUF sekitar 6,98 GB untuk bobotnya plus proyektor multimodal kecil. Kuantisasi komunitas turun lebih jauh: build Unsloth yang banyak di-mirror berkisar dari sekitar 4,2 GB pada 2-bit paling agresif hingga 7,12 GB pada Q4_K_M dan 12,67 GB pada Q8_0. Build MLX untuk Apple-silicon berada di sekitar 12,7 GB pada 8-bit. Sebaliknya, checkpoint yang di-instruction-tune dengan presisi penuh adalah satu file safetensors 23,92 GB — jejak bfloat16 mentah sebelum KV cache apa pun, yang merupakan angka yang memberi tahu Anda bahwa mesin 16GB tidak dapat menampungnya tanpa kuantisasi sedangkan kartu 24GB bisa.

Penilaian independen telah tersedia sejak tak lama setelah rilis, yang merupakan asimetri yang mengalir di seluruh halaman ini. Artificial Analysis mengukur 12B pada 14 di Intelligence Index v4.3.2, 117,6 token output per detik, 2,43 detik ke token pertama, dan $0,10 per juta token input dibandingkan $0,30 per juta output. Kartu Google sendiri melaporkan 78,2 pada MMLU Pro, 77,8 pada GPQA Diamond, 77,5 pada AIME 2026 tanpa alat, 72,0 pada LiveCodeBench v6 dengan ELO Codeforces 1659, 69,1 pada MMMU Pro dan 43,4 pada MRCR v2 pada 128K dengan delapan jarum.

Perbandingan yang tidak ada

Kartu Beam 1.0 melaporkan SWE-bench Verified pada 81,6% pada checkpoint BF16, 80,2% pada FP8 dan 80,7% pada NVFP4; Terminal Bench v2.1 pada 80,1, 78,9 dan 78,4; SWE Bench Pro v1 pada 66,1, 65,9 dan 65,6; DeepSWE v1.1 pada 43,3, 43,0 dan 42,7; GPQA Diamond pada 90,6, 90,3 dan 89,3; AIME 2026 pada 97,7, 98,0 dan 97,5; LiveCodeBench pada 88,3, 88,1 dan 87,4; MCP Atlas pada 80,8, 81,5 dan 80,5 dan IFBench pada 79,6, 80,7 dan 79,2. Evaluasi menggunakan temperature 0,7 dan top-p 0,99. Semua itu adalah pelaporan Reflection sendiri dan tidak ada satu pun yang telah direproduksi oleh pihak ketiga.

Kartu Gemma 4 12B melaporkan angka-angkanya sendiri, juga tidak direproduksi pada tingkat per-benchmark, dan Artificial Analysis telah menilai model tersebut secara independen. Sekarang letakkan keduanya berdampingan dan coba kurangkan. Anda tidak bisa. Tabel Beam adalah tabel model frontier untuk benchmark pengkodean agentic dan penggunaan alat. Tabel Gemma adalah tabel benchmark pemahaman dan penalaran multimodal. Di mana keduanya tumpang tindih — GPQA Diamond dan AIME, pada dasarnya — harness, pengaturan upaya penalaran, dan parameter pengambilan sampel tidak didokumentasikan di satu sisi dan tidak diketahui di sisi lain. Angka 90.6 melawan 77.8 pada GPQA terbaca seperti selisih 13 poin, dan itu adalah perbandingan antara pengaturan satu lab dengan lab lain.

Satu-satunya angka di halaman ini di mana satu organisasi mengukur kedua model adalah Intelligence Index, dan di sana selisihnya adalah 30 berbanding 14. Itu adalah pengukuran nyata oleh pihak ketiga berdasarkan komposit yang terdokumentasi. Ini juga merupakan selisih 16 poin untuk model dengan jumlah parameter 42 kali lipat dan, berdasarkan bukti yang tersedia, kelas penerapan yang sama sekali berbeda. Tidak ada yang perlu terkejut dengan itu.

Berapa biaya untuk benar-benar menjalankan masing-masing

Baik Beam 1.0 maupun Gemma 4 12B tidak ada dalam katalog kami. Yang dirutekan OrcaRouter dari keluarga Gemma 4 adalah dua ukuran yang kami sediakan: Gemma 4 26B A4B dengan $0.06 per juta token masukan dan $0.33 per juta token keluaran dengan konteks 262.144 token, dan Gemma 4 31B dengan $0.13 dan $0.38 — harga daftar penyedia diteruskan tanpa markup, dibaca dari daftar model kami sendiri pada 16 Oktober 2026. Beam 1.0 bukan sesuatu yang kami layani, dan halaman ini tidak berpura-pura sebaliknya; cara menggunakannya saat ini adalah mengunduhnya dari koleksi Hugging Face milik Reflection atau memanggil API milik Reflection sendiri.

Itu menyisakan perbandingan biaya yang jujur sebagai perbandingan perangkat keras, yang merupakan versi yang benar-benar penting di sini. Jika Anda sudah memiliki mesinnya, G​emma 4 12B pada empat bit adalah unduhan dan satu sore. Jika tidak, padanan terukur dari 12B kira-kira adalah hal termurah dalam daftar kami — tiga puluh sen per juta token keluaran — sementara model 501B dengan 23B aktif adalah sewa GPU yang belum diberi harga untuk Anda di mana pun, karena Reflection belum menerbitkan tarif.

Yang mana dari keduanya yang merupakan model Anda?

Pilih G​emma 4 12B jika pekerjaan bersifat multimodal, jika harus dijalankan pada perangkat keras yang sudah Anda miliki atau perangkat yang Anda kirimkan, jika latensi sampai token pertama dalam kisaran ratusan milidetik rendah dapat diterima, dan jika konteks 256K mencakup dokumen Anda. Desain tanpa encoder dan pelatihan yang sadar kuantisasi keduanya ditujukan tepat kepada pembaca itu, dan lisensi Apache 2.0 berarti Anda dapat merilis turunannya tanpa perlu berbicara dengan G​oogle. Biaya dari pilihan ini adalah kemampuan: 14 pada indeks independen jauh di bawah model-model terdepan, dan kumpulan benchmark yang paling penting bagi Anda — pengodean agentik, penalaran berskala repositori — bukan kumpulan yang diterbitkan G​oogle.

Pilih Beam 1.0 Jika pekerjaannya adalah pengodean, penggunaan alat, dan eksekusi agentik jangka panjang, jika Anda memiliki akses klaster atau mitra penyajian, dan jika Anda dapat menanggung API yang belum diberi harga serta anggaran penalaran yang selalu aktif. Tolok ukur yang dipublikasikan ditujukan tepat untuk beban kerja tersebut, build empat-bit membuat diskusi perangkat keras jauh lebih mudah daripada yang disiratkan oleh jumlah parameter, dan lisensinya tidak memuat batasan yang akan menghentikan fine-tune komersial.

Jangan pilih salah satu pun jika yang sebenarnya Anda butuhkan adalah jawaban minggu ini. Keduanya adalah model yang harus Anda jalankan sendiri. Perbandingan yang penting untuk keputusan itu — model yang dilayani pada tarif yang dipublikasikan, dengan kunci yang sudah Anda miliki — ada di halaman yang berbeda, dan halaman ini membahas dua ujung spektrum open-weights, bukan bagian tengah tempat sebagian besar lalu lintas produksi berada.

Apa yang akan mengubah halaman ini

Dua hal. Benchmark independen yang menempatkan Beam 1.0 dan Gemma 4 12B pada perangkat uji yang sama dengan upaya yang sama akan menggantikan perbandingan yang hanya berbasis Index di atas dengan sesuatu yang dapat dikurangkan, dan fakta bahwa bobot Beam kini publik berarti siapa pun dapat menjalankannya. Harga yang dipublikasikan untuk API Beam — atau untuk deployment FP8 atau NVFP4 yang dihosting — akan mengubah bagian biaya dari argumen perangkat keras menjadi daftar tarif. Sampai salah satu dari itu terwujud, ringkasan yang akurat adalah ini: kesenjangan parameter 40-ke-1 menghasilkan sekitar 16 poin kecerdasan yang diukur secara independen dan serangkaian benchmark yang berbeda, dan itu membuat Anda kehilangan tempat untuk menaruhnya.

Hasil seperti ini juga menjadi pengingat bahwa kesalahan model sudah terdokumentasi: insiden AI dan kegagalan agen di balik model di kelas ini dikumpulkan dalam the OrcaRouter AI Incident Archive, dengan setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda yang disengketakan.