Dessa vs Gemma 4 12B: due modelli per laptop, solo uno che puoi scaricare

Il confronto più utile tra Dessa e Gemma 4 12B non è un punteggio di benchmark. È un file. Gemma 4 12B — il modello open-weights da 11,95 miliardi di parametri di Google DeepMind, pubblicato come Gemma 4 12B Unified con licenza Apache 2.0 il 3 giugno 2026 — è un checkpoint che puoi scaricare questo pomeriggio, eseguire su un portatile da 16 GB e mettere a punto senza chiedere il permesso a nessuno. Dessa, che Block ha annunciato il 23 ottobre 2026, è un modello vocale full-duplex che, secondo il suo produttore, funziona su un MacBook Pro M4 Max, tranne per il fatto che non puoi scaricarlo, chiamarlo o ispezionarlo. È dietro una lista d'attesa senza pesi, senza API, senza prezzo e senza un numero di parametri pubblicato.

Entrambi vengono venduti come modelli locali. Solo uno dei due è effettivamente distribuito. Questa distinzione organizza tutto il resto: ciò che puoi costruire, ciò che puoi misurare e persino cosa significa "gira su un laptop".

La risposta breve, e perché è breve

Se il tuo obiettivo è rilasciare qualcosa entro questo trimestre che elabori testo, immagini, audio o video, Gemma 4 12B è l'unico dei due a essere un prodotto che puoi usare. Se il tuo obiettivo è studiare il parlato full-duplex — un modello che ascolta mentre parla, interviene e viene interrotto senza perdere il filo — Dessa è l'artefatto più interessante, e non puoi ancora averlo.

Sembra un modo per liquidare la questione. È più simile alla descrizione di due diversi stadi di maturità. Gemma 4 12B è una release open finita, con una licenza, una model card e una tabella di benchmark. Dessa è un'anteprima di ricerca con una demo reel. Confrontarli sulle capacità è come confrontare una fotocamera già commercializzata con un prototipo da laboratorio: il prototipo può avere il sensore migliore, ma solo uno dei due scatta una fotografia che puoi conservare.

Due significati di “local”

La storia locale di Gemma 4 12B è concreta. È un modello denso decoder-only con un'architettura unificata senza encoder: 48 livelli, patch delle immagini proiettate direttamente, audio gestito senza un encoder separato. Google lo posiziona per circa 16 GB di memoria unificata, e i pesi sono su Hugging Face in BF16, con build GGUF, MLX e altre della community a seguire. Puoi eseguirlo offline, in aereo, senza account.

La storia locale di Dessa è una frase su una pagina: l'inferenza viene eseguita più velocemente del tempo reale su un MacBook Pro M4 Max o superiore. Non c'è alcun dato sulla memoria, nessuna quantizzazione, nessuna dimensione del file e nessun download. L'affermazione potrebbe essere del tutto vera. È anche non falsificabile dall'esterno, perché "runs locally" in un post di un fornitore può significare "i nostri ricercatori l'hanno dimostrato su un laptop" anziché "lo eseguirai sul tuo". Finché non ci sarà un file di pesi o un installer, la lettura onesta è la prima.

Si sente, si conversa

La differenza architetturale è più netta del divario di parametri. Gemma 4 12B è un lettore multimodale: in ingresso testo, immagini, audio e video; in uscita testo. Il suo input audio è limitato a 30 secondi per clip, mentre quello video a circa 60 secondi a un fotogramma al secondo. Entro questi limiti può trascrivere, tradurre, descrivere, rispondere a domande su una registrazione ed estrarre dati strutturati. In altre parole, è estremamente bravo a trasformare una porzione limitata del mondo in testo.

Dessa è un flusso conversazionale: audio in ingresso, audio in uscita, senza alcuna fase testuale. Non c'è alcuna trascrizione da ispezionare, nessun confine di token e nessuna fase di sintesi separata. L'affermazione di Block è che questo preserva prosodia, risate, sospiri e tempismo che una pipeline speech-to-text-to-speech appiattisce. Le sue demo mostrano il modello che ride a metà frase, si adegua al volume e completa il titolo di un film che un interlocutore ha dimenticato.

La conseguenza pratica è che i due modelli non sono sostituibili a livello di API. Non puoi inviare un PDF a Dessa. Non puoi chiedere a Gemma 4 12B di essere interrotto a metà risposta, perché non produce un flusso audio da interrompere. Un prodotto vocale basato su Gemma necessita di almeno altri due componenti; un prodotto documentale basato su Dessa non è affatto possibile.

La scheda tecnica, con entrambi i lati sulla stessa riga

I dati riportati di seguito sono dichiarati dai fornitori, salvo diversa indicazione. Quelli di Gemma provengono dalla model card di Google; quelli di Dessa dalla pagina di annuncio di Block, che pubblica molti meno dettagli.

• Parametri — Gemma 4 12B 11.95B dense vs Dessa non divulgati.

• Pesi — download di Gemma 4 12B Apache 2.0 vs Dessa: nessuna pubblicazione.

• Contesto — Gemma 4 12B 262.144 token rispetto a Dessa non indicato, e nessuna interfaccia token per misurarlo.

• Input — Gemma 4 12B: testo, immagini, audio fino a 30 secondi, video fino a circa 60 secondi, rispetto a Dessa, un flusso audio in diretta.

• Output — testo Gemma 4 12B vs audio Dessa.

• Interazione — richiesta e risposta a turni di Gemma 4 12B rispetto a Dessa full-duplex, con barge-in e backchannel.

• Hardware — Gemma 4 12B circa 16 GB di memoria unificata, mentre Dessa richiede un MacBook Pro M4 Max o superiore, secondo Block.

• Prezzo — Gemma 4 12B gratuito da scaricare; le tariffe ospitate presso fornitori terzi si aggirano intorno a $0.10 per input e $0.30 per output per milione di token, mentre Dessa non ha un prezzo.

• Benchmark — Gemma 4 12B: una tabella pubblicata dal fornitore rispetto a Dessa: nessuna.

• Disponibilità — Gemma 4 12B è generalmente disponibile da giugno 2026, mentre Dessa ha una lista d'attesa e una piccola anteprima riservata ai ricercatori sulla sicurezza.

Dove Gemma 4 12B vince per impostazione predefinita

Partiamo dai numeri pubblicati da Google, tutti dichiarati dal fornitore e non riprodotti qui: MMLU-Pro 77.2, GPQA Diamond 78.8, AIME 2026 77.5 senza strumenti, LiveCodeBench v6 72.0, Codeforces Elo 1659, Tau2 69.0, MMMU-Pro 69.1 e HLE 5.2. Il quadro è quello di un modello di medie dimensioni che è forte, per la sua classe, nel ragionamento e nella visione, debole sulle domande di frontiera più difficili e competente nell'uso degli strumenti. Una finestra di contesto da 256K e il function calling nativo lo rendono una base plausibile per un agente che legge un lungo documento e poi agisce.

{{1}}Artificial Analysis{{/1}}, che è indipendente da Google, stima la variante di reasoning a 14 sul suo Intelligence Index — contrassegnata come stima anziché come esecuzione misurata, e ben al di sopra della mediana di 8 per modelli aperti comparabili. È un utile correttivo alla tabella del fornitore: un modello di medie dimensioni, valutato a metà classifica da una terza parte.

I suoi numeri audio sono più modesti e più rilevanti per questo confronto. CoVoST si attesta a 38,5 e FLEURS a 0,069 (più basso è meglio), entrambi riportati dal fornitore, con il dato CoVoST che esclude il cinese. Si tratta di metriche di traduzione e riconoscimento vocale, non di qualità conversazionale. Gemma può ascoltare una clip di 30 secondi e dirti cosa è stato detto. Non può gestire una chiamata dal vivo.

La licenza è la parte che decide la maggior parte delle questioni commerciali. Apache 2.0 significa nessuna soglia di ricavi, nessuna negoziazione sull'uso accettabile e nessun permesso del fornitore per un fine-tune. Per un team che vuole controllare in proprio il percorso di inferenza, questo vale più di una demo migliore.

Dove puntano le demo di Dessa, se reggono

L'affermazione interessante non è che Dessa sembri umana. È che eliminare il collo di bottiglia del testo elimina un'intera categoria di errore. Una pipeline che trascrive prima deve decidere quando hai finito di parlare; si impegna su una trascrizione prima di poter rispondere; perde il sospiro. Un modello duplex non prende mai quell'impegno. Se le clip di Block sono rappresentative, il risultato è una conversazione che tollera la sovrapposizione: puoi parlarci sopra, e lei può parlare sopra di te.

Quello che manca è qualsiasi modo per sapere se le clip siano rappresentative. Block afferma che nessuno guida il modello e che i sottotitoli sono stati aggiunti in seguito, il che esclude la messa in scena più grossolana. Non pubblica un set hold-out, una distribuzione della latenza, un tasso di recupero dalle interruzioni né un punteggio di intelligibilità in condizioni di rumore. The Verge ha trovato le stesse demo «un po' goffe e inquietanti», inclusa una clip in cui il modello chiama il proprio interlocutore «Ronaldo». Un reel curato può sopravvivere a questo; un prodotto deve farlo.

Costruire oggi un loop vocale attorno a Gemma

Se vuoi un agente vocale ora, l'architettura è: riconoscimento vocale, poi Gemma 4 12B, poi sintesi vocale. Il modello gestisce la comprensione, il ragionamento e il testo della risposta; i servizi circostanti gestiscono l'audio. Il budget di latenza è dominato dai due estremi, non dal centro: il rilevamento dell'endpoint più la sintesi di solito richiede più tempo reale del primo token del modello linguistico.

OrcaRouter è utile nel mezzo di quel ciclo per un motivo diverso. Un'unica API davanti a oltre 200 modelli significa che la fase di ragionamento può essere sostituita senza riscrivere l'applicazione, e il failover automatico significa che un intoppo di un provider non interrompe la chiamata. Il modello con ricarico 0% — il prezzo di listino del provider trasferito senza modifiche — conta quando un fornitore taglia un prezzo, perché il taglio è attivo dalla nostra parte lo stesso giorno. Un'avvertenza onesta: instradiamo Gemma 4 26B A4B e Gemma 4 31B, non il 12B, che è un modello da scaricare e ospitare. Se vuoi il 12B dietro un'API, quella è una decisione di hosting di terze parti, non nostra.

Scegliere in base al vincolo

• Devi rilasciare subito output testuali o multimodali — Gemma 4 12B, senza una seria alternativa in questa coppia.

Hai bisogno di inferenza offline su hardware che controlli — Gemma 4 12B, perché i pesi esistono.

• Ti serve comprendere un documento, un'immagine o una registrazione di 30 secondi — Gemma 4 12B.

• Ti serve una voce dal vivo che possa essere interrotta — Dessa è l'unica delle due pensata per questo, e non è disponibile.

• Serve espressività emotiva nell'audio di output — le demo di Dessa sono la prova, e sono selezionate dal fornitore.

• Ti serve una licenza che puoi far passare dall'ufficio acquisti — l'Apache 2.0 di Gemma 4 12B è l'unica licenza sul tavolo.

Cosa renderebbe questo un vero confronto

Tre cose cambierebbero la risposta. Un'API Dessa, così che i due potessero essere misurati sulle stesse conversazioni. Un numero di parametri e un valore di latenza pubblicati, così che l'affermazione sul laptop potesse essere riprodotta. Oppure un modello speech-native a pesi aperti di qualcun altro, che trasformerebbe «Dessa vs Gemma» in un confronto tra architetture anziché in un confronto di disponibilità.

Fino ad allora, la sintesi equa è che Gemma 4 12B è un valido modello multimodale locale con un collo di bottiglia testuale che non può eliminare, e Dessa è un tentativo promettente di eliminare quel collo di bottiglia senza alcun modo pubblico di verificarne il risultato. Il primo è uno strumento. Il secondo è un'ipotesi con ottimi valori di produzione.