Beam 1.0 vs Gemma 4 12B: 501 miliardi di parametri contro 12, e cosa dà davvero questo divario

Uno di questi modelli sta su un laptop. L'altro richiede un rack, e il divario tra i due è di un fattore quaranta. Reflection Beam 1.0 è un modello sparse mixture-of-experts con 501,3 miliardi di parametri totali che ne attiva 23,4 miliardi per token — annunciato da Reflection il 5 ottobre 2026 come anteprima con lista d'attesa, e effettivamente distribuito come pesi scaricabili il 16 ottobre 2026 sotto Apache 2.0 in build BF16, FP8 e NVFP4, con accanto un piccolo drafter di decodifica speculativa DFlash2. G​emma 4 12B è il modello denso senza encoder di G​oogle DeepMind da 11,95 miliardi di parametri, rilasciato il 3 giugno 2026, che legge testo, immagini, audio e fotogrammi video, scrive testo e si quantizza fino a stare su una macchina da 16GB. Entrambe le licenze sono permissive, entrambi gli output sono testo, ed entrambi sono su Hugging Face proprio adesso. Quasi nient'altro di loro è uguale, e la domanda utile non è quale sia più intelligente — è quale dei due risolve il tuo problema senza un ordine d'acquisto.

Questo conta più di quanto non farebbe di solito, perché per undici giorni Beam 1.0 è stato un modello di cui si poteva leggere ma che non si poteva avere. L'annuncio del 5 ottobre di Reflection prometteva pesi Apache 2.0 "più avanti questo mese", e il repository restava vuoto. Dal 16 ottobre 2026 la raccolta è attiva con quattro repository e la model card contiene una tabella di valutazione completa. Quel rilascio è il motivo per cui questo confronto può essere scritto come un confronto vero e proprio, anziché come una nota su un titolo.

Dove si trovano loro due, in un solo colpo

Tutto ciò che segue proviene o dalla documentazione del fornitore stesso o da Artificial Analysis. Quando un numero è del fornitore e nessuno lo ha riprodotto, questa pagina lo segnala nel punto in cui compare, anziché in una nota di esclusione in fondo.

• Parametri totali — Beam 1.0 501,3B vs Gemma 4 12B 11,95B. Il rapporto è di circa 42 a 1.

• Parametri attivi per token — 23,4B vs 11,95B. Il rapporto si riduce a circa 2 a 1, ed è tutto qui il trucco: un modello sparso paga solo per la parte di sé che utilizza.

• Architettura — Beam 1.0 è un MoE a 52 livelli con 256 esperti, tre livelli densi e 49 livelli di esperti, attenzione locale e globale interlacciata, e gated grouped-query attention con attenzione a finestra scorrevole; G​emma 4 12B è denso, 48 livelli, senza alcun encoder multimodale — la gestione di visione e audio è addestrata nel modello anziché essere aggiunta a posteriori.

• Finestra di contesto — Beam 1.0 1.000.000 token sulla scheda del modello; G​emma 4 12B 262.144 token. Entrambe rappresentano il valore più alto offerto dalle rispettive famiglie.

• Modalità — Beam 1.0 è testo in ingresso, testo in uscita, e la sua scheda lo dice chiaramente; G​emma 4 12B accetta in ingresso testo, immagini, audio e fotogrammi video e restituisce testo.

• Licenza — Apache 2.0 su entrambi, utilizzabile commercialmente, senza limiti di utenti. Questo è il punto in cui i due modelli si avvicinano di più all'essere la stessa cosa.

• Valutazione pubblicata — Beam 1.0 include una tabella di valutazione per i checkpoint BF16, FP8 e NVFP4; la scheda di G​emma 4 12B riporta i dati di G​oogle ed è stata valutata in modo indipendente da giugno.

• Punteggio indipendente — Artificial Analysis Intelligence Index v4.3.2 colloca Beam 1.0 a 30, al 19º posto su 120 modelli nella sua classe di confronto, e G​emma 4 12B a 14, al 20º posto su 141 — un divario di 16 punti a favore del modello più grande, con il dato di G​emma che riporta una nota "stimato" perché la valutazione indipendente sul 12B era ancora in sospeso.

Che cos'è realmente Beam 1.0, ora che i pesi esistono

La model card riporta: 501,3 miliardi di parametri totali, 23,4 miliardi attivi, 52 layer di cui tre dense e 49 MoE, 256 esperti, un vocabolario di 152.000 token, un knowledge cutoff del 30 giugno 2026 e modalità solo testo. Il template di chat è un formato Harmony modificato con due canali — analysis e final — e un'impostazione reasoning_effort che accetta un numero intero oppure uno tra minimal, low, medium, high, xhigh e max, che corrispondono a 8, 32, 64, 128, 256 e 512. Il valore predefinito servito quando il parametro non è impostato è 512. La documentazione del template stesso osserva che minimal, con 8, è lo sforzo più piccolo mai campionato dai dati di addestramento, quindi un budget inferiore non viene rispettato.

Tre cose di quella specifica vale la pena evidenziare, perché sono le parti che determinano se puoi usarla.

Il primo è che l'impostazione effort non ha un interruttore di disattivazione. Beam ragiona sempre; sei tu a scegliere quanto. Per un ciclo di agente questo significa che ogni turno porta con sé un prefisso di deliberazione che viene fatturato e, se rigiochi la cronologia, fatturato di nuovo. Il template arriva persino a sollevare un errore quando allow_missing_thinking è impostato su false e un precedente turno dell'assistente ha perso il suo ragionamento, proprio perché rimuoverlo degrada l'output. Questo è un costo documentato, non un bug.

Il secondo punto sono le build quantizzate. Reflection ha pubblicato checkpoint FP8 e NVFP4 lo stesso giorno del modello BF16, insieme al drafter DFlash2. Il repository NVFP4 è indicato a 255B rispetto ai 501B del BF16, e la scheda attribuisce la quantizzazione a llm-compressor, con un riconoscimento al personale N​VIDIA per la guida. Avere una build a quattro bit fin dal giorno zero cambia chi può anche solo eseguirla — 501B in bfloat16 è all’incirca un terabyte di pesi, il che è un discorso sugli acquisti diverso rispetto a 255B a quattro bit.

Il terzo è ciò che manca. Non c'è alcuna raccomandazione di serving sulla scheda, nessun requisito hardware minimo pubblicato e nessun prezzo API pubblicato da nessuna parte nelle proprietà di Reflection. La pagina di Artificial Analysis dedicata al modello registra i campi relativi al prezzo come non disponibili e segnala «Nessuna API pubblicamente disponibile» — che, per un modello il cui appeal è proprio quello di essere economico da eseguire, è la riga che avresti voluto vedere compilata.

Cos'è Gemma 4 12B e perché la dimensione è l'argomento

La scheda di G​oogle indica per G​emma 4 12B 11,95 miliardi di parametri su 48 livelli, un contesto di 262.144 token, un vocabolario condiviso di 262.000 token in tutta la famiglia e una finestra scorrevole di 1.024 token — il doppio rispetto a quella usata dalle dimensioni minori E2B ed E4B. L'attenzione alterna attenzione locale a finestra scorrevole e attenzione globale completa, e il livello finale è sempre globale. È pre-addestrato su più di 140 lingue, con supporto pronto all'uso dichiarato per 35 o più.

La decisione ingegneristica interessante è architetturale: il modello non ha encoder separati. L'impostazione di Google è che la gestione multimodale è stata addestrata nel modello anziché aggiunta, ed è per questo che lo stesso checkpoint serve visione e audio senza un secondo set di pesi da caricare. Su un dispositivo, questa è la differenza tra un modello deployabile e una pipeline.

Anche Google ha distribuito l'addestramento consapevole della quantizzazione invece di affidarsi a un quantizzatore post-hoc, e pubblica un GGUF QAT di circa 6,98 GB per i pesi più un piccolo proiettore multimodale. Le quantizzazioni della community scendono più in basso: la build Unsloth ampiamente replicata va da circa 4,2 GB ai 2 bit più aggressivi fino a 7,12 GB a Q4_K_M e 12,67 GB a Q8_0. Le build MLX per Apple silicon si attestano intorno a 12,7 GB a 8 bit. Il checkpoint instruction-tuned a piena precisione, al contrario, è un singolo file safetensors da 23,92 GB — l'ingombro grezzo in bfloat16 prima di qualsiasi KV cache, ed è il numero che ti dice che una macchina da 16GB non può contenerlo non quantizzato e una scheda da 24GB sì.

Una valutazione indipendente è disponibile da poco dopo il rilascio, ed è l'asimmetria che attraversa l'intera pagina. Artificial Analysis misura il 12B a 14 sull'Intelligence Index v4.3.2, 117,6 token di output al secondo, 2,43 secondi al primo token e 0,10 $ per milione di token di input contro 0,30 $ per milione di output. La scheda di Google stessa riporta 78,2 su MMLU Pro, 77,8 su GPQA Diamond, 77,5 su AIME 2026 senza strumenti, 72,0 su LiveCodeBench v6 con un ELO Codeforces di 1659, 69,1 su MMMU Pro e 43,4 su MRCR v2 a 128K con otto aghi.

Il confronto che non esiste

La scheda di Beam 1.0 riporta SWE-bench Verified all'81,6% sul checkpoint BF16, all'80,2% su FP8 e all'80,7% su NVFP4; Terminal Bench v2.1 a 80,1, 78,9 e 78,4; SWE Bench Pro v1 a 66,1, 65,9 e 65,6; DeepSWE v1.1 a 43,3, 43,0 e 42,7; GPQA Diamond a 90,6, 90,3 e 89,3; AIME 2026 a 97,7, 98,0 e 97,5; LiveCodeBench a 88,3, 88,1 e 87,4; MCP Atlas a 80,8, 81,5 e 80,5 e IFBench a 79,6, 80,7 e 79,2. Le valutazioni hanno utilizzato temperatura 0,7 e top-p 0,99. Tutto ciò deriva dalla reportistica di Reflection stessa e niente di tutto ciò è stato riprodotto da una terza parte.

La scheda di Gemma 4 12B riporta i suoi stessi dati, anch'essi non riprodotti a livello di singolo benchmark, e Artificial Analysis ha valutato il modello in modo indipendente. Ora mettili fianco a fianco e prova a sottrarre. Non è possibile. La tabella di Beam è una tabella di modelli di frontiera per benchmark di coding agentico e uso di strumenti. Quella di Gemma è una tabella di benchmark di comprensione e ragionamento multimodale. Dove le due si sovrappongono — GPQA Diamond e AIME, essenzialmente — gli harness, le impostazioni di sforzo di ragionamento e i parametri di campionamento non sono documentati da una parte e sono sconosciuti dall'altra. Un 90,6 contro un 77,8 su GPQA sembra un divario di 13 punti, ed è un confronto tra la configurazione di un laboratorio e quella di un altro.

L'unico numero su questa pagina in cui una singola organizzazione ha misurato entrambi i modelli è l'Intelligence Index, e lì il divario è di 30 contro 14. Si tratta di una misurazione reale effettuata da una terza parte nell'ambito di un composito documentato. È anche un divario di 16 punti per un modello con 42 volte il numero di parametri e, in base alle prove disponibili, di una classe di deployment completamente diversa. Nessuno dovrebbe esserne sorpreso.

Quanto costa effettivamente far funzionare ciascuno

Né Beam 1.0 né G​emma 4 12B è presente nel nostro catalogo. Ciò che OrcaRouter instrada dalla famiglia G​emma 4 sono le due dimensioni che abbiamo in catalogo: G​emma 4 26B A4B a $0.06 per milione di token di input e $0.33 per milione di output con un contesto di 262,144 token, e G​emma 4 31B a $0.13 e $0.38 — prezzo di listino del provider passato così com'è, senza alcun ricarico, letti dal nostro elenco di modelli il 16 ottobre 2026. Beam 1.0 non è qualcosa che serviamo, e questa pagina non finge il contrario; il modo per usarlo oggi è scaricarlo dalla collezione Hugging Face di Reflection o chiamare l'API di Reflection stessa.

Ciò lascia il confronto onesto dei costi come un confronto hardware, che è la versione che conta davvero qui. Se possiedi già la macchina, Gemma 4 12B a quattro bit è un download e un pomeriggio. Se non possiedi la macchina, l'equivalente a consumo del 12B è all'incirca la cosa più economica della nostra lista — trenta centesimi per milione di token di output — mentre un modello 501B con 23B attivi è un noleggio di GPU per cui non ti è stato indicato alcun prezzo da nessuna parte, perché Reflection non ha pubblicato una tariffa.

Quale dei due è il tuo modello?

Scegli G​emma 4 12B se il lavoro è multimodale, se deve girare su hardware che possiedi già o su un dispositivo che spedisci, se è accettabile una latenza nell'ordine di poche centinaia di millisecondi al primo token e se un contesto da 256K copre i tuoi documenti. Il design senza encoder e l'addestramento consapevole della quantizzazione puntano dritto a quel lettore, e la licenza Apache 2.0 significa che puoi distribuire un derivato senza dover parlare con G​oogle. Il costo della scelta è la capacità: 14 sull'indice indipendente è molto lontano dalla frontiera, e il set di benchmark che conta di più per te — coding agentico, ragionamento su scala di repository — non è quello pubblicato da G​oogle.

Scegli Beam 1.0 se il lavoro è programmazione, uso di strumenti ed esecuzione agentica su lungo orizzonte, se hai accesso a un cluster o a un partner di serving, e se puoi assorbire un'API senza prezzo definito e un budget di ragionamento sempre attivo. I benchmark pubblicati sono mirati esattamente a quel carico di lavoro, la build a quattro bit rende il discorso sull'hardware materialmente più semplice di quanto suggerisca il numero di parametri, e la licenza non contiene alcuna restrizione che impedirebbe un fine-tuning commerciale.

Non scegliere nessuno dei due se ciò di cui hai davvero bisogno è una risposta questa settimana. Entrambi questi sono modelli che devi eseguire. I confronti che contano per quella decisione — un modello servito a una tariffa pubblicata, su una chiave che già possiedi — sono un'altra pagina, e questa riguarda i due estremi dello spettro dei pesi aperti anziché la zona intermedia in cui vive la maggior parte del traffico di produzione.

Cosa cambierebbe questa pagina

Due cose. Un benchmark indipendente che metta Beam 1.0 e Gemma 4 12B sullo stesso banco di prova con lo stesso sforzo sostituirebbe il confronto basato solo su Index di cui sopra con qualcosa di sottraibile, e il fatto che i pesi di Beam siano ora pubblici significa che chiunque può eseguirlo. Un prezzo pubblicato per l'API di Beam — o per una distribuzione ospitata FP8 o NVFP4 — trasformerebbe la sezione costi da un argomento hardware in un listino prezzi. Finché una di queste cose non si concretizza, il riepilogo accurato è questo: il divario di parametri di 40 a 1 compra circa 16 punti di intelligenza misurata in modo indipendente e un diverso insieme di benchmark, e ti costa un posto dove metterlo.

Un risultato come questo è anche un promemoria del fatto che gli errori dei modelli sono già documentati: gli incidenti AI e i fallimenti degli agenti dietro i modelli di questa classe sono raccolti in l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.