Dessa vs Gemma 4 12B: Dua Model Laptop, Hanya Satu yang Bisa Anda Unduh

Perbandingan paling berguna antara Dessa dan Gemma 4 12B bukanlah skor benchmark. Ini adalah sebuah file. Gemma 4 12B — model open-weights 11,95 miliar parameter milik Google DeepMind, diterbitkan sebagai Gemma 4 12B Unified di bawah Apache 2.0 pada 3 Juni 2026 — adalah checkpoint yang dapat Anda unduh sore ini, jalankan di laptop 16 GB, dan fine-tune tanpa meminta izin siapa pun. Dessa, yang diumumkan Block pada 23 Oktober 2026, adalah model ucapan full-duplex yang berjalan di MacBook Pro M4 Max menurut pembuatnya, kecuali bahwa Anda tidak dapat mengunduhnya, memanggilnya, atau memeriksanya. Model ini berada di balik daftar tunggu tanpa bobot, tanpa API, tanpa harga, dan tanpa jumlah parameter yang dipublikasikan.

Keduanya dijual sebagai model lokal. Hanya satu yang benar-benar didistribusikan. Perbedaan itu menjadi dasar bagi semua hal lainnya: apa yang bisa Anda bangun, apa yang bisa Anda ukur, dan apa arti "berjalan di laptop" sebenarnya.

Jawaban singkatnya, dan mengapa jawaban itu singkat

Jika tujuan Anda adalah merilis sesuatu kuartal ini yang memproses teks, gambar, audio, atau video, Gemma 4 12B adalah satu-satunya dari keduanya yang merupakan produk yang dapat Anda gunakan. Jika tujuan Anda adalah mempelajari ucapan full-duplex — model yang mendengarkan sambil berbicara, menyela, dan disela tanpa kehilangan alur — Dessa adalah artefak yang lebih menarik, dan Anda belum bisa memilikinya.

Itu terdengar seperti penolakan. Sebenarnya itu lebih mirip deskripsi dua tahap kematangan yang berbeda. Gemma 4 12B adalah rilisan terbuka yang sudah jadi dengan lisensi, kartu model, dan tabel benchmark. Dessa adalah pratinjau riset dengan demo reel. Membandingkan keduanya dari segi kemampuan seperti membandingkan kamera yang sudah dipasarkan dengan prototipe laboratorium: prototipe mungkin punya sensor yang lebih baik, tetapi hanya salah satunya yang menghasilkan foto yang bisa Anda simpan.

Dua makna dari "local"

Kisah lokal Gemma 4 12B itu konkret. Ini adalah model dense decoder-only dengan arsitektur terpadu tanpa encoder — 48 lapisan, patch gambar diproyeksikan secara langsung, audio ditangani tanpa encoder terpisah. Google memposisikannya untuk sekitar 16 GB memori terpadu, dan bobotnya tersedia di Hugging Face dalam BF16 dengan build GGUF, MLX, dan komunitas lainnya menyusul. Anda dapat menjalankannya secara offline, di pesawat, tanpa akun.

Kisah lokal Dessa hanyalah satu kalimat di sebuah halaman: inferensi berjalan lebih cepat daripada waktu nyata pada MacBook Pro M4 Max atau yang lebih tinggi. Tidak ada angka memori, tidak ada kuantisasi, tidak ada ukuran file, dan tidak ada unduhan. Klaim itu mungkin sepenuhnya benar. Klaim itu juga tak dapat difalsifikasi dari luar, karena "runs locally" dalam postingan vendor bisa berarti "para peneliti kami mendemokannya di laptop" alih-alih "Anda akan menjalankannya di perangkat Anda." Sampai ada file bobot atau penginstal, tafsiran yang jujur adalah yang pertama.

Seseorang mendengar, seseorang bercakap-cakap.

Perbedaan arsitekturnya lebih tajam daripada selisih parameternya. Gemma 4 12B adalah pembaca multimodal: teks, gambar, audio, dan video masuk; teks keluar. Input audionya dibatasi hingga 30 detik per klip, dan input videonya sekitar 60 detik pada satu frame per detik. Dalam batasan tersebut, model ini dapat mentranskripsikan, menerjemahkan, mendeskripsikan, menjawab pertanyaan tentang rekaman, dan mengekstrak data terstruktur. Dengan kata lain, model ini sangat baik dalam mengubah potongan dunia yang terbatas menjadi teks.

Dessa adalah aliran percakapan: audio masuk, audio keluar, tanpa tahap teks sama sekali. Tidak ada transkrip untuk diperiksa, tidak ada batas token, dan tidak ada langkah sintesis terpisah. Klaim Block adalah bahwa ini mempertahankan prosodi, tawa, desahan, dan waktu yang diratakan oleh pipeline ucapan-ke-teks-ke-ucapan. Demo-demonya menunjukkan model tertawa di tengah kalimat, menyesuaikan volume, dan melengkapi judul film yang terlupakan oleh pembicara.

Konsekuensi praktisnya adalah kedua model tersebut tidak dapat saling menggantikan di tingkat API. Anda tidak dapat mengirim PDF ke Dessa. Anda tidak dapat meminta Gemma 4 12B diinterupsi di tengah jawaban, karena model itu tidak menghasilkan aliran audio untuk diinterupsi. Produk suara yang dibangun di atas Gemma memerlukan setidaknya dua komponen tambahan; produk dokumen yang dibangun di atas Dessa sama sekali tidak mungkin.

Lembar spesifikasi, dengan kedua sisi di baris yang sama

Angka-angka di bawah ini dilaporkan oleh vendor kecuali ditandai sebaliknya. Angka Gemma berasal dari kartu model Google; angka Dessa berasal dari halaman pengumuman Block, yang mempublikasikan jauh lebih sedikit.

• Parameter — Gemma 4 12B 11.95B dense vs Dessa tidak diungkapkan.

• Bobot — Gemma 4 12B Apache 2.0 dapat diunduh vs Dessa tidak ada yang dipublikasikan.

• Konteks — Gemma 4 12B 262.144 token vs Dessa tidak disebutkan, dan tidak ada antarmuka token untuk mengukurnya.

• Input — Gemma 4 12B: teks, gambar, audio hingga 30 detik, video hingga sekitar 60 detik vs Dessa yang merupakan streaming audio langsung.

• Keluaran — teks Gemma 4 12B vs audio Dessa.

• Interaksi — Permintaan dan respons berbasis giliran Gemma 4 12B vs Dessa dupleks penuh, dengan barge-in dan backchannel.

• Perangkat keras — Gemma 4 12B kira-kira 16 GB memori terpadu vs Dessa, sebuah MacBook Pro M4 Max atau lebih baik, menurut Block.

• Harga — Gemma 4 12B gratis untuk diunduh; tarif yang dihosting di penyedia pihak ketiga berkisar sekitar $0.10 untuk input dan $0.30 untuk output per juta token dibandingkan Dessa tanpa harga.

• Benchmark — Gemma 4 12B: tabel vendor yang dipublikasikan vs Dessa: tidak ada.

• Ketersediaan — Gemma 4 12B tersedia secara umum sejak Juni 2026, dibandingkan dengan daftar tunggu Dessa dan pratinjau terbatas untuk peneliti keselamatan.

Di mana Gemma 4 12B menang secara default

Mulai dari angka-angka yang dipublikasikan Google, semuanya dilaporkan vendor dan belum direproduksi di sini: MMLU-Pro 77.2, GPQA Diamond 78.8, AIME 2026 77.5 tanpa alat, LiveCodeBench v6 72.0, Codeforces Elo 1659, Tau2 69.0, MMMU-Pro 69.1, dan HLE 5.2. Polanya adalah model berukuran menengah yang kuat di kelasnya dalam penalaran dan visi, lemah pada pertanyaan-pertanyaan frontier tersulit, dan cakap dalam penggunaan alat. Jendela konteks 256K dan pemanggilan fungsi native membuatnya menjadi tulang punggung yang masuk akal bagi agen yang membaca dokumen panjang lalu bertindak.

{{1}}Artificial Analysis{{/1}}, yang independen dari Google, memperkirakan varian penalaran pada 14 di Intelligence Index-nya — ditandai sebagai perkiraan, bukan hasil pengukuran, dan jauh di atas median 8 untuk model terbuka yang sebanding. Itu adalah koreksi yang berguna terhadap tabel vendor: model berukuran menengah, dinilai di pertengahan oleh pihak ketiga.

Angka audionya lebih moderat dan lebih relevan untuk perbandingan ini. CoVoST berada di 38,5 dan FLEURS di 0,069 (semakin rendah semakin baik), keduanya dilaporkan oleh vendor, dengan angka CoVoST tidak mencakup bahasa Mandarin. Itu adalah metrik terjemahan dan pengenalan ucapan, bukan kualitas percakapan. Gemma dapat mendengar klip 30 detik dan memberi tahu Anda apa yang dikatakan. Gemma tidak dapat melakukan panggilan langsung.

Lisensi adalah bagian yang menentukan sebagian besar pertanyaan komersial. Apache 2.0 berarti tidak ada ambang pendapatan, tidak ada negosiasi penggunaan yang dapat diterima, dan tidak ada izin vendor untuk fine-tune. Bagi tim yang ingin memiliki jalur inferensinya sendiri, itu lebih berharga daripada demo yang lebih baik.

Ke mana demo-demo Dessa mengarah, jika itu tetap berlaku

Klaim yang menarik bukanlah bahwa Dessa terdengar seperti manusia. Melainkan bahwa menghilangkan hambatan teks menghilangkan satu kategori kegagalan. Pipeline yang melakukan transkripsi lebih dulu harus memutuskan kapan Anda selesai berbicara; ia berkomitmen pada sebuah transkrip sebelum dapat merespons; ia kehilangan desahan itu. Model dupleks tidak pernah membuat komitmen itu. Jika klip Block representatif, hasilnya adalah percakapan yang mentoleransi tumpang tindih — Anda dapat berbicara menimpanya, dan ia dapat berbicara menimpa Anda.

Yang hilang adalah cara apa pun untuk mengetahui apakah klip-klip itu representatif. Block mengatakan tidak ada yang mengarahkan model dan bahwa subtitel ditambahkan setelahnya, yang menyingkirkan staging paling kasar. Perusahaan itu tidak menerbitkan set held-out, distribusi latensi, tingkat pemulihan gangguan, atau skor kemudahan dipahami dalam kondisi bising. The Verge menemukan demo yang sama "agak canggung dan tidak wajar," termasuk klip di mana model memanggil rekannya "Ronaldo." Reel yang dikurasi bisa bertahan dari itu; sebuah produk harus bisa.

Membangun loop suara seputar Gemma hari ini

Jika Anda menginginkan agen suara sekarang, arsitekturnya adalah pengenalan ucapan, lalu Gemma 4 12B, lalu sintesis ucapan. Model menangani pemahaman, penalaran, dan teks balasan; layanan di sekitarnya menangani audio. Anggaran latensi didominasi oleh kedua sisi tepi, bukan bagian tengah: deteksi titik akhir ditambah sintesis biasanya memakan waktu aktual lebih banyak daripada token pertama model bahasa.

OrcaRouter berguna di tengah loop tersebut karena alasan yang berbeda. Satu API di depan 200+ model berarti langkah penalaran dapat ditukar tanpa menulis ulang aplikasi, dan failover otomatis berarti gangguan dari penyedia tidak mengakhiri panggilan. Model markup 0% — harga daftar penyedia diteruskan apa adanya — penting ketika vendor menurunkan harga, karena penurunan itu langsung berlaku di sisi kami pada hari yang sama. Satu catatan jujur: kami merutekan Gemma 4 26B A4B dan Gemma 4 31B, bukan 12B, yang merupakan model unduh-dan-hosting sendiri. Jika Anda ingin 12B di balik API, itu keputusan hosting pihak ketiga, bukan keputusan kami.

Memilih berdasarkan batasan

• Anda perlu mengirimkan keluaran teks atau multimodal sekarang — Gemma 4 12B, tanpa alternatif serius dalam pasangan ini.

• Anda memerlukan inferensi offline pada perangkat keras yang Anda kendalikan — Gemma 4 12B, karena bobotnya tersedia.

• Anda perlu memahami dokumen, gambar, atau rekaman 30 detik — Gemma 4 12B.

• Anda membutuhkan suara langsung yang dapat disela — Dessa adalah satu-satunya dari keduanya yang ditujukan untuk itu, dan itu tidak tersedia.

• Anda memerlukan ekspresivitas emosional dalam audio keluaran — demo Dessa adalah buktinya, dan itu dipilih oleh vendor.

• Anda memerlukan lisensi yang dapat diproses melalui pengadaan — Apache 2.0 milik Gemma 4 12B adalah satu-satunya lisensi yang tersedia.

Apa yang akan membuat ini menjadi perbandingan yang sebenarnya?

Tiga hal akan mengubah jawabannya. API Dessa, sehingga keduanya dapat diukur pada percakapan yang sama. Jumlah parameter dan angka latensi yang dipublikasikan, sehingga klaim tentang laptop itu dapat direproduksi. Atau model native ucapan berbobot terbuka dari pihak lain, yang akan mengubah "Dessa vs Gemma" menjadi perbandingan arsitektur alih-alih perbandingan ketersediaan.

Sampai saat itu, ringkasan yang adil adalah bahwa Gemma 4 12B adalah model multimodal lokal yang mumpuni dengan hambatan teks yang tidak dapat dihilangkannya, dan Dessa adalah upaya menjanjikan untuk menghilangkan hambatan itu tanpa cara publik untuk memeriksa hasilnya. Yang pertama adalah alat. Yang kedua adalah hipotesis dengan kualitas produksi yang sangat baik.