Beam 1.0 対 Gemma 4 12B：5010億パラメータ対12、そしてその差が実際にもたらすもの

これらのモデルのうち一方はノートPCに収まる。もう一方はラックを必要とし、両者の隔たりは40倍だ。Reflection Beam 1.0は、総パラメータ数5013億のスパースなMixture-of-Expertsモデルで、トークンあたり234億のパラメータを起動する——2026年10月5日にReflectionがウェイトリスト制のプレビューとして発表し、2026年10月16日には実際にApache 2.0のもとでBF16、FP8、NVFP4ビルドのダウンロード可能な重みとして出荷され、それらと並んで小型のDFlash2投機的デコーディング用ドラフターも提供されている。G​emma 4 12Bは、G​oogle DeepMindのエンコーダ不要の119.5億パラメータの密モデルで、2026年6月3日にリリースされ、テキスト、画像、音声、動画フレームを読み取り、テキストを書き出し、16GBのマシンに収まる程度まで量子化できる。両者のライセンスはどちらも寛容で、出力はいずれもテキストであり、どちらも今すぐHugging Faceにある。それ以外に両者が同じ点はほとんどなく、有用な問いはどちらがより賢いかではなく、購買発注書なしでどちらがあなたの問題に答えてくれるかである。

これは通常以上に重要な意味を持つ。なぜなら、11日間のあいだ、Beam 1.0 は読むことはできても入手できないモデルだったからだ。Reflection の10月5日の発表は「今月中に」Apache 2.0 の重みを約束していたが、リポジトリは空のままだった。2026年10月16日時点で、そのコレクションは4つのリポジトリとともに公開され、モデルカードには完全な評価表が載っている。このリリースのおかげで、この比較は、見出しについての注記としてではなく、そもそも比較として書くことができるのだ。

二人がどういう立場にあるか、一気に

以下はすべて、ベンダー自身のドキュメントまたは Artificial Analysis のいずれかによるものです。数値がベンダーのもので、誰もそれを再現していない場合、このページでは下部の免責事項ではなく、その数値が置かれているその場でその旨を示します。

• 総パラメータ数 — Beam 1.0 501.3B 対 G​emma 4 12B 11.95B。比率はおよそ42対1です。

• トークンあたりのアクティブパラメータ — 23.4B 対 11.95B。その比率は約 2 対 1 にまで縮まり、これがまさに仕掛けのすべてだ。スパースモデルは、自分が使う部分の分だけコストを払う。

• アーキテクチャ — Beam 1.0 は 256 のエキスパートを備えた 52 層の MoE で、3 つの稠密層と 49 のエキスパート層、ローカルアテンションとグローバルアテンションの交互配置、およびスライディングウィンドウアテンションを伴うゲート付きグループ化クエリアテンションを採用。G​emma 4 12B は稠密型で 48 層、マルチモーダルエンコーダを一切持たず、視覚と音声の処理は後付けではなくモデルに訓練によって組み込まれている。

• コンテキストウィンドウ — モデルカード上で Beam 1.0 は 1,000,000 トークン、Gemma 4 12B は 262,144 トークン。どちらもそれぞれのファミリーが提供する最大の数値です。

• モダリティ — Beam 1.0 はテキスト入力・テキスト出力で、そのカードにもそう明記されています。Gemma 4 12B はテキスト、画像、音声、動画フレームを入力として受け取り、テキストを返します。

• ライセンス — 両方とも Apache 2.0、商用利用可能、ユーザー数上限なし。この点が、2つのモデルが最も同じものに近づく部分だ。

• 公開評価 — Beam 1.0はBF16、FP8、NVFP4の各チェックポイントにわたる評価表を提供。Gemma 4 12BのカードにはGoogle自身の数値が掲載されており、6月以来、独立してスコアリングされている。

• 独立したスコア — Artificial Analysis Intelligence Index v4.3.2 は、Beam 1.0 を30と評価し、その比較クラス内の120モデル中19位、G​emma 4 12B を14と評価し、141モデル中20位としている — より大規模なモデルに有利な16ポイント差であり、G​emma の数値には、12B に対する独立評価がまだ保留中だったため、「推定」という脚注が付いている。

重みが存在する今、Beam 1.0 とは実際何なのか

モデルカードには次のように記載されている。総パラメータ数5013億、アクティブパラメータ数234億、52層（うち3層がdense、49層がMoE）、エキスパート256、語彙数15万2000トークン、知識カットオフは2026年6月30日、モダリティはテキストのみ。チャットテンプレートは変更を加えたHarmony形式で、analysisとfinalの2つのチャネルを持つ。また、reasoning_effort設定は整数、またはminimal、low、medium、high、xhigh、maxのいずれかを受け付け、それぞれ8、32、64、128、256、512に対応する。パラメータが未設定の場合に提供されるデフォルトは512。テンプレート自体のドキュメントには、8のminimalが学習データでサンプリングされた最小のエフォートであるため、それより小さい予算は尊重されないと記されている。

その仕様について取り上げる価値のある点が3つあります。なぜなら、それらはあなたがそれを使えるかどうかを決める部分だからです。

1つ目は、エフォート設定にはオフスイッチがないことだ。Beam は常に推論し、その量はあなたが選ぶ。エージェントループでは、毎ターンが課金される熟考プレフィックスを伴い、履歴を再生すれば再課金されるということだ。テンプレートは、allow_missing_thinking が false に設定されていて、以前のアシスタントターンがその推論を落としている場合にエラーを発生させる。まさにそれを取り除くと出力が劣化するからだ。これは文書化されたコストであり、バグではない。

2つ目は量子化ビルドです。ReflectionはBF16モデルと同じ日に、DFlash2ドラフターと併せて、FP8とNVFP4のチェックポイントを公開しました。NVFP4リポジトリはBF16の501Bに対して255Bと記載されており、モデルカードでは量子化をllm-compressorによるものとし、ガイダンスについてN​VIDIAスタッフへの謝辞を記しています。初日から4ビットビルドがあることは、これをそもそも実行できるのが誰かという点を変えます — bfloat16の501Bは約1テラバイトの重みで、これは4ビットの255Bとは購入検討の話が別です。

3つ目は、欠けているものだ。カードには推奨サービング構成がなく、公開された最低ハードウェア要件もなく、Reflection自身のプロパティのどこにも公開されたAPI価格はない。Artificial Analysisのこのモデルのページでは、価格フィールドが利用不可と記録され、「公開されているAPIはない」と注記されている——実行コストが安いことこそを売り文句のすべてにしているモデルにとって、これは埋まっていてほしかった行だ。

Gemma 4 12Bとは何か、そしてなぜそのサイズが論拠となるのか

Googleのカードによると、Gemma 4 12Bは48層にわたる119.5億のパラメータ、262,144トークンのコンテキスト、ファミリー全体で共有される262,000トークンの語彙、そして1,024トークンのスライディングウィンドウを備えています——これはより小さいE2BとE4Bサイズが使用するものの2倍です。アテンションは、ローカルのスライディングウィンドウアテンションと完全なグローバルアテンションを交互に組み合わせており、最終層は常にグローバルです。140以上の言語で事前学習されており、35以上でそのまま使えるサポートが主張されています。

興味深いエンジニアリング上の判断はアーキテクチャにある。モデルには個別のエンコーダがない。G​oogleの見解では、マルチモーダル処理は後付けされたのではなく訓練によって組み込まれた。だからこそ、同じチェックポイントが、読み込むべき第2の重みセットなしで視覚と音声を担える。デバイス上では、それがデプロイ可能なモデルとパイプラインの違いになる。

Googleはまた、事後的な量子化器に頼るのではなく、量子化対応トレーニングを提供し、重み用に約6.98 GB、加えて小型のマルチモーダルプロジェクターを含むQAT GGUFを公開している。コミュニティによる量子化はさらに小さい：広くミラーされているUnslothビルドは、最も攻撃的な2ビットで約4.2 GBから、Q4_K_Mで7.12 GB、Q8_0で12.67 GBに及ぶ。Appleシリコン向けMLXビルドは8ビットで約12.7 GBになる。対照的に、フル精度の命令チューニング済みチェックポイントは単一の23.92 GBのsafetensorsファイルである — これはKVキャッシュ以前の生のbfloat16フットプリントであり、この数字が、16GBマシンでは非量子化では保持できず、24GBカードなら可能であることを示している。

独立したスコアリングはリリース直後から利用可能であり、それがこのページ全体を貫く非対称性です。Artificial Analysisは12BをIntelligence Index v4.3.2で14と測定し、出力トークンは毎秒117.6、最初のトークンまで2.43秒、入力トークン100万あたり$0.10に対し出力は100万あたり$0.30です。Google自身のカードは、MMLU Proで78.2、GPQA Diamondで77.8、ツールなしのAIME 2026で77.5、Codeforces ELO 1659のLiveCodeBench v6で72.0、MMMU Proで69.1、8つのニードルを用いた128KでのMRCR v2で43.4を報告しています。

存在しない比較

Beam 1.0 のモデルカードは、SWE-bench Verified について、BF16 チェックポイントで 81.6%、FP8 で 80.2%、NVFP4 で 80.7% と報告している。Terminal Bench v2.1 は 80.1、78.9、78.4。SWE Bench Pro v1 は 66.1、65.9、65.6。DeepSWE v1.1 は 43.3、43.0、42.7。GPQA Diamond は 90.6、90.3、89.3。AIME 2026 は 97.7、98.0、97.5。LiveCodeBench は 88.3、88.1、87.4。MCP Atlas は 80.8、81.5、80.5、IFBench は 79.6、80.7、79.2。評価には temperature 0.7 と top-p 0.99 を使用した。これらはすべて Reflection 自身による報告であり、第三者による再現は一切されていない。

Gemma 4 12Bのカードは独自の数値を報告しており、ベンチマークごとのレベルでは再現もされていない。またArtificial Analysisはそのモデルを独立に評価している。さあ、両者を並べて引き算してみよう。できない。Beamの表は、エージェント型コーディングとツール使用のベンチマークに関するフロンティアモデルの表である。Gemmaの表は、マルチモーダル理解と推論のベンチマークの表である。両者が重なる部分、つまり本質的にはGPQA DiamondとAIMEでは、ハーネス、推論努力設定、サンプリングパラメータは一方では文書化されておらず、他方では不明である。GPQAでの90.6対77.8は13ポイントの差のように読めるが、それはあるラボの設定と別のラボの設定との比較である。

このページで、単一の組織が両方のモデルを測定した唯一の数値はIntelligence Indexであり、そこでの差は30対14だ。それは、文書化された複合指標のもとで第三者によって行われた実際の測定である。また、パラメータ数が42倍であり、入手可能な証拠からするとまったく異なるデプロイメントクラスであるモデルにとっての16ポイント差でもある。誰もこのことに驚くべきではない。

それぞれを実際に運用するのにかかるコスト

Beam 1.0 も Gemma 4 12B も当社のカタログにはありません。OrcaRouter が Gemma 4 ファミリーからルーティングするのは、当社が取り扱う2つのサイズです：Gemma 4 26B A4B は入力100万トークンあたり $0.06、出力100万トークンあたり $0.33、コンテキスト長は262,144トークン、そして Gemma 4 31B は $0.13 と $0.38 — プロバイダーの定価をマークアップなしでそのまま適用、これは2026年10月16日時点の当社自身のモデル一覧から読み取ったものです。Beam 1.0 は当社が提供するものではなく、このページはそうでないふりもしません。今日それを使うには、Reflection の Hugging Face コレクションからダウンロードするか、Reflection 自身の API を呼び出してください。

そうなると、正直なコスト比較として残るのはハードウェア比較だ。ここで実際に重要なのは、まさにその形の比較である。すでにそのマシンを所有しているなら、4ビットのGemma 4 12Bはダウンロードして半日あれば済む。持っていない場合、12Bの従量課金相当は私たちのリストでほぼ最安だ——出力100万トークンあたり30セント——一方、23Bアクティブの501BモデルはGPUレンタルであり、どこにもあなた向けの価格が示されていない。Reflectionが料金を公表していないからだ。

二つのうち、どちらがあなたのモデルですか？

選ぶべきG​emma 4 12Bは、作業がマルチモーダルである場合、すでに所有しているハードウェアまたは出荷先のデバイス上で実行する必要がある場合、最初のトークンまでのレイテンシが数百ミリ秒程度なら許容できる場合、そして256Kのコンテキストがあなたのドキュメントを収める場合だ。エンコーダフリーの設計と量子化を意識した学習は、どちらもまさにそうした読者を狙ったものだ。そしてApache 2.0ライセンスのおかげで、G​oogleと話をせずとも派生品を出荷できる。この選択の代償は能力だ。独立系インデックスでの14はフロンティアからほど遠く、あなたにとって最も重要なベンチマーク群——エージェント的コーディング、リポジトリ規模の推論——は、G​oogleが公表したものではない。

選ぶBeam 1.0べきなのは、作業がコーディング、ツール使用、長期的なエージェント実行であり、クラスターへのアクセスまたはサービングパートナーがあり、価格未設定のAPIと常時稼働の推論予算を吸収できる場合です。公開ベンチマークはまさにそのワークロードを対象としており、4ビットビルドはパラメータ数から想像されるよりもハードウェアの話を実質的に簡単にし、ライセンスには商用ファインチューニングを妨げるような制限はありません。

今週中に答えが必要なら、どちらも選ばないほうがいい。どちらも自分で動かさなければならないモデルだ。その判断で本当に重要な比較——公開された料金で提供され、すでに持っているキーで使えるモデル——は別のページの話であり、このページは、ほとんどの本番トラフィックが行き交う中間ではなく、オープンウェイトのスペクトルの両端についてのものだ。

何がこのページを変えるのだろうか

2つのこと。Beam 1.0 と Gemma 4 12B を同じハーネス上で同じ条件で走らせる独立系ベンチマークがあれば、上のIndexのみの比較は、引き算できる何かに置き換わるだろう。そして、Beamの重みが今や公開されているという事実は、誰でもそれを実行できることを意味する。BeamのAPIの価格が公開されれば — あるいはホスト型のFP8またはNVFP4デプロイの価格が公開されれば — コストのセクションは、ハードウェアの議論から料金表へと変わるだろう。それらのどちらかが実現するまでは、正確な要約はこうだ。40対1のパラメータ差によって得られるのは、独立に測定された約16ポイントの知能と、異なるベンチマーク群であり、その代償は、それを置く場所である。

このような結果は、このクラスのモデルの背後にあるAIインシデントやエージェントの失敗がすでに記録されているという事実を思い起こさせるものでもある。それらはOrcaRouter AI Incident Archiveにまとめられており、各項目には独自の情報源、重大度、信頼度評価、異議ありフラグが付されている。