RepGen-4B vs Gemma 4 12B: uno specialista ristretto da 4B contro un generalista da 12B, e perché le dimensioni mentono

Messi fianco a fianco, microsoft/UserRepGen-4B e Gemma 4 12B sembrano un confronto impari già deciso in partenza. Il modello di Google da 11,95 miliardi di parametri legge testo, immagini e audio, supporta 256K token di contesto, ha un report tecnico e un blog di lancio, ed è stato scaricato circa 79.000 volte da maggio 2026. Il modello di Microsoft è un LoRA rank-64 su Qwen3.5-4B, caricato il 14 ottobre 2026 senza alcun annuncio, e fa esattamente una cosa: legge una conversazione conclusa tra utente e assistente e restituisce una descrizione JSON a due campi della persona che contiene. Non può sostenere una conversazione, rispondere a una domanda o vedere un'immagine. Soppesare questi due modelli in termini di capacità non è un confronto, è un errore di categoria — e l'errore di categoria è la parte interessante, perché il modello più piccolo è quello che batte un generalista di frontiera nel lavoro per cui è stato creato.

A cosa serve ciascuno in realtà

Il modo più semplice per tenere a mente entrambi è che Gemma 4 12B è un assistente e UserRepGen-4B è uno strumento di misura.

• Gemma 4 12B — il membro multimodale senza encoder della famiglia Gemma 4. In ingresso testo, immagini e audio; in uscita testo. La scheda ufficiale di G​oogle lo descrive come "Unified" perché elimina i dedicati encoder di visione e audio utilizzati dal resto della famiglia, proiettando direttamente patch di immagini grezze e forme d'onda nello spazio di embedding del decoder tramite leggeri layer lineari. 48 layer, una finestra scorrevole di 1.024 token, un vocabolario di 262K, una context window di 256K token. Apache 2.0, varianti instruction-tuned pubblicate insieme alla versione base.

• UserRepGen-4B — un generatore di rappresentazioni. Input: una conversazione multi-turno autorizzata, fino a 8.192 token. Output: un oggetto JSON con un campo task e un campo user_behavior, limitato a 1.024 token, revisionato da una persona e poi passato a un LLM separato che interpreta l'utente in una simulazione. MIT per il contributo di Microsoft, Apache 2.0 ereditato dal backbone Q​wen. Solo testo, nonostante il checkpoint conservi una torre di visione che non usa mai.

A Gemma 4 12B si può chiedere di fare ciò che fa UserRepGen-4B — leggere una conversazione e descrivere l'utente che vi compare. È esattamente il modo onesto di affrontare questo confronto, perché la scheda di Microsoft valuta un modello generalista che fa proprio questo, e perde.

L'unico vero numero che li collega

Non esiste alcun confronto testa a testa pubblicato tra questi due, e inventarne uno sarebbe il facile fallimento di una pagina come questa. Ciò che la scheda di UserRepGen-4B pubblica è una valutazione di fedeltà su 700 conversazioni su una scala da 1 a 10, in cui ogni generatore viene giudicato con chiamate identiche. In quella tabella, GPT-5.5 usato così com'è come generatore di rappresentazioni ottiene 3,90 best-of-1 e 4,90 best-of-3. UserRepGen-4B ottiene 4,95 e 6,02. Lo specialista 4B addestrato batte un generalista di frontiera che è di ordini di grandezza più grande in questo specifico compito.

Gemma 4 12B non è in quella tabella, quindi nessuno sa dove si collocherebbe. Ma la baseline rispetto alla quale verrebbe misurato rende chiara la forma della risposta: un modello generale a cui viene chiesto di descrivere un utente produce qualcosa di plausibile e generico, e il metodo di addestramento in UserRepGen-4B esiste proprio per andare oltre questo. Un 12B molto probabilmente batterà il 4B sul ragionamento generale e verrà battuto da esso su questo compito specifico.

Il che solleva l'ovvia domanda del perché non si dovrebbe semplicemente chiedere a Gemma 4 12B di fare la stessa cosa e tenere un solo modello sul disco. Due ragioni, e la seconda è quella che conta.

Il primo è il costo su larga scala. Generare una rappresentazione per ogni conversazione è un processo in batch, e 12B parametri costano all'incirca tre volte quanto costano 4B parametri per la stessa passata. Il secondo è che il divario di fedeltà non è una questione di messa a punto: le ablation riportate nella scheda stessa mostrano un semplice supervised fine-tuning a 4.64/5.68, mentre sia OPSD sia GRPO, i due metodi di reinforcement learning a cui un team competente ricorrerebbe per primo, si collocano al di sottodi esso, a 4.46/5.60 e 3.57/4.59. Portare un modello generalista a questo comportamento non è questione di un prompt migliore o di una sessione di RL più intensa. È ciò per cui il ciclo di addestramento è stato costruito.

Entrambi sono scaricabili e solo uno di essi è distribuibile.

È qui che la contrapposizione tra 4B e 12B crolla del tutto, perché le due versioni si collocano agli estremi opposti dello spettro del packaging.

• Gemma 4 12B — un prodotto rilasciato con un ecosistema funzionante. Supporto Transformers, una variante instruction-tuned, formati quantizzati ed edge pubblicati in tutta la famiglia, un blog di lancio, un report tecnico su arXiv e un percorso documentato dal download al serving.

• UserRepGen-4B — un singolo file bfloat16 safetensors da 9.078.620.536 byte. Nessun GGUF, nessun ONNX, nessun MLX, nessuna quantizzazione di alcun tipo. La scheda lo dice direttamente: «Non sono attualmente disponibili formati ottimizzati o specifici per dispositivo.»

Quel divario non è casuale. Gemma 4 12B è stata creata per essere eseguita da altre persone, e undici miliardi e mezzo di parametri vengono distribuiti come prodotto. UserRepGen-4B è stato creato per produrre un risultato per un articolo, e la sua scheda dice ancora che la citazione è "in attesa di conferma" e fa riferimento all'autenticazione "mentre il repository è privato" — una riga rimasta da un caricamento predisposto che non è stato aggiornato. Uno è finito; l'altro è finito quanto basta.

Se quello che volevi davvero era una Gemma 4 tramite un'API

Vale la pena dirlo chiaramente, perché è il punto in cui si trova davvero la maggior parte dei lettori di un confronto su Gemma: OrcaRouter non serve Gemma 4 12B — nel nostro catalogo non esiste una pagina dedicata a questo modello — e non serve nemmeno UserRepGen-4B. Due altri membri della stessa famiglia Gemma 4 sono però presenti in catalogo, ed entrambi riportano il prezzo di listino del provider senza alcun ricarico: Gemma 4 26B A4B, la configurazione mixture-of-experts da 25,2B con 3,8B parametri attivi su una finestra di contesto di 262.144 token, a 0,06 $ per milione di token in input e 0,33 $ per milione in output; e Gemma 4 31B, la versione densa multimodale da 30,7B, a 0,13 $ e 0,38 $. Se cercavi specificamente il 12B per lavorare in locale, la risposta è il download e nessuna API cambia le cose.

Per il lato simulazione, la posizione onesta è la stessa. UserRepGen-4B è un checkpoint e un file di prompt — lo esegui tu stesso, nel tuo ambiente, su conversazioni che sei autorizzato a elaborare. Sarebbe comodo se fosse una chiamata a un endpoint ospitato. Non lo è, oggi, né sul nostro né altrove.

Quale scaricare

Se ti serve un piccolo assistente multimodale che legga documenti, ascolti audio e risponda a domande su un laptop, Gemma 4 12B è quello giusto, e il confronto con UserRepGen-4B non è nemmeno abbastanza vicino da essere rilevante. Se stai costruendo un simulatore di utente e il tuo approccio attuale è fare prompting a un modello generico per descrivere l'utente, UserRepGen-4B è l'unica cosa qui che sia stata addestrata per questo, e le prove — riportate dal fornitore, da un singolo laboratorio, giudicate per tutto il tempo da GPT-5.4 mini — dicono che l'addestramento batte il prompting. Ciò che cambierebbe il quadro è il paper, o una valutazione indipendente di quel 4,95 dall'esterno di Microsoft. Nessuno dei due esiste ancora, ed entrambi vale la pena aspettarli prima che qualcuno sostituisca una pipeline funzionante con esso.

È anche in confronti come questo che emergono le modalità di fallimento: gli incidenti IA documentati e i fallimenti degli agenti alla base dei modelli di questa classe sono raccolti nell'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il contrassegno di contestazione.