ARTEMIS vs Gemma 4 12B: uprząż i mózg nie są tym samym zakupem

ARTEMIS firmy Google i Gemma 4 12B nie konkurują ze sobą, a najszybszym sposobem na zmarnowanie tygodnia jest umieszczenie ich w tabeli porównawczej i wybranie zwycięzcy. ARTEMIS, udostępniony jako open source przez Google w sierpniu 2026 r. na licencji Apache 2.0, to środowisko automatyzacji Androida: przyjmuje zdanie, steruje prawdziwym telefonem przez ADB i raportuje, co się wydarzyło. Gemma 4 12B, wydany przez Google DeepMind 3 czerwca 2026 r., to gęsty 12-miliardowy model multimodalny z otwartymi wagami — mózg, który możesz uruchomić na laptopie, a nie system, który potrafi stukać w ekran. Jedno z nich nie może widzieć, decydować ani działać, jeśli nie ma podłączonego drugiego rodzaju komponentu; drugie w ogóle nie może utrzymać urządzenia. Ale porównanie warto zrobić, ponieważ pytanie, które się pod nim kryje, jest tym, które obecnie zadaje sobie każdy zespół mobilny: czy mały otwarty model, który posiadasz na własność, może wykonywać automatyzację Androida, czy potrzebujesz hostowanego modelu klasy frontier stojącego za takim środowiskiem jak ARTEMIS? To pytanie ma prawdziwą odpowiedź i nie jest to ta, którą sugeruje wpis premierowy któregokolwiek z dostawców.

Po pierwsze, błąd kategorii, wyrażony wprost.

ARTEMIS nie zawiera żadnego modelu. Jej własna plakietka głosi „Multi-Model — Gemini | Claude | GPT-4o | Qwen-VL", a plikiem, który decyduje o tym, którego użyjesz, jest code>config/artemis.jsonc/code>. To pętla sterująca: lokalizator stawiający dostępność na pierwszym miejscu, kontrola bezpieczeństwa, która usuwa wyskakujące okienka, zanim twoje dotknięcie zdąży dotrzeć na miejsce, rejestr sesji kompresujący stare zrzuty ekranu do wizualnych podsumowań oraz dwa profile wykonawcze — Flash przy około 3–5 sekundach na krok, Pro przy około 15–40 sekundach na krok, z Planerem, Operatorem i Checkerem działającym tylko do odczytu. Wszystko, co wie o świecie, dociera do niej przez model wizyjno-językowy, którego sama nie napisała.

Gemma 4 12B to obiekt zupełnie innego rodzaju. To checkpoint. Nie ma połączenia z urządzeniem, nie ma ADB, nie ma usługi ułatwień dostępu, nie ma pojęcia, że dotknięcie to coś, co można wykonać. Daj jej zrzut ekranu i zapytaj, co zrobić dalej, a ona ci odpowie — być może dobrze — ale odpowiadanie to cały zakres jej sprawczości. Wszystko pomiędzy „model powiedział: dotknij w (540, 1180)” a „telefon dotknął w (540, 1180)” to zadanie ARTEMIS i stanowi większość pracy.

Zatem uczciwe ujęcie tego starcia to nie ARTEMIS kontra Gemma. Jest nim: co daje ci otwarty model 12B jako warstwa rozumowania agenta na Androida i kiedy musisz zapłacić za coś większego?

Co faktycznie wnosi Gemma 4 12B

Jak na model średniej wielkości ma on niezwykle dobrą specyfikację, a trzy jego właściwości mają znaczenie dla wszystkiego, co mobilne.

• Jest autentycznie multimodalny już na warstwie wejściowej. Na wejściu tekst, obraz, dźwięk i wideo; na wyjściu tekst. To pierwsza średniej wielkości Gemma bez osobnych enkoderów multimodalnych i pierwsza w rodzinie, która natywnie przyjmuje dźwięk — co nie jest funkcją automatyzacji interfejsu użytkownika, ale jest nią jak najbardziej, jeśli Twoje scenariusze testowe obejmują notatki głosowe, powiadomienia mówione lub ścieżki dostępności oparte na wskazówkach dźwiękowych.

• To 12B, które możesz mieć pod ręką. Artificial Analysis podaje, że ma łącznie 12B parametrów na licencji Apache 2.0 — bez progu przychodowego, bez klauzuli badawczej, licencja, na której możesz zbudować produkt, nie pytając nikogo o zgodę — z oknem kontekstu 256K, włączonym rozumowaniem i zmierzoną prędkością generowania 109,2 tokenów na sekundę. Według doniesień społeczności wagi zajmują około 13,4 GB w SFP8 i około 6,7 GB w Q4_0, co odpowiada laptopowi z 16 GB pamięci.

• Jest tani, ale nie najtańszy w swojej klasie. Artificial Analysis podaje, że kosztuje 0,10 USD za milion tokenów wejściowych i 0,30 USD za milion tokenów wyjściowych — i zauważa w tym samym panelu, że jak na model o otwartych wagach podobnej wielkości jest to raczej drogo, gdzie mediana wynosi 0,05 USD na wejściu i 0,15 USD na wyjściu. Odczyty z pamięci podręcznej kształtują się na poziomie około 0,03 USD.

Obraz benchmarków to typowy bałagan w segmencie średniej wielkości i warto go przedstawić starannie, ponieważ liczby na stronach śledzących nie zgadzają się ze sobą. Artificial Analysis ocenia konfigurację rozumowania na Intelligence Index równy 14, plasując ją na 21. miejscu spośród 142 modeli open-weights w swojej klasie — co jest przyzwoitą pozycją w środku tabeli i daleko od czołówki. Własne pozycjonowanie Google mówi, że 12B niemal dorównuje większemu Gemma 4 26B-A4B i bije Gemma 3 27B z poprzedniej generacji w zadaniach rozumowania, nauki i dokumentów. Zewnętrzni agregatorzy umieszczają go na poziomie około 72% w LiveCodeBench v6 i 77,2% w MMLU-Pro, przy czym GPQA Diamond waha się od 66% do 79% w zależności od tego, który tracker i którą konfigurację się czyta. To przyzwoite liczby jak na 12B. Są to również nieaudytowane, samodzielnie raportowane agregaty, a tam, gdzie cztery serwisy różnią się o trzynaście punktów, należy trzymać się zakresu, a nie punktu.

Co wnosi ARTEMIS, w jednym akapicie, ponieważ nie jest to tutaj tematem

ARTEMIS wnosi wszystko to, czego model nie potrafi: lokalizator stawiający przede wszystkim na dynamikę, który korzysta z indeksów elementów dostępności, gdy one istnieją, a gdy ich nie ma, sięga po wizję i współrzędne — co oznacza brak XPath do utrzymywania i brak identyfikatorów, które się zestarzeją na powierzchni Compose czy Flutter. Zapewnia Safety Net, która przechwytuje systemowe okno wyskakujące, na którym twój dotyk miał właśnie wylądować, weryfikację punktów kontrolnych na czterech poziomach od code>off/code> do code>strict/code>, automatyczne stosy awarii, zrzuty ekranu kluczowych klatek i raporty diagnostyczne, konsolę webową, SDK Pythona do pytest i CI oraz — powód, dla którego rozprzestrzenił się tak szybko — natywny serwer MCP, który udostępnia całość Antigravity, Claude Code, Codex i każdemu innemu asystentowi obsługującemu MCP jako pięć narzędzi. Deklarowany wskaźnik ukończenia ponad 99% w benchmarku AndroidWorld od Google Research daje mu 99,1% w publicznym rankingu na dzień 11 września 2026 r., wobec 80% w przypadku wydajności człowieka. Ta liczba jest podawana samodzielnie przez producenta, a ranking nie weryfikuje zgłoszeń, więc traktuj ją jako mocne twierdzenie dostawcy, a nie audyt.

Jedyne miejsce, w którym te dwa naprawdę się pokrywają

Istnieje prawdziwa architektura, w której mała Gemma wykonuje całą pracę, i warto się jej przyjrzeć, ponieważ pokazuje, za co tak naprawdę płaci się w modelu chmurowym. Otwartoźródłowy framework agenta na Androida o nazwie Orion działa w całości na urządzeniu: MediaProjection przechwytuje ekran, skwantyzowany Gemma-4-E4B-it działający na Qualcomm Hexagon NPU przez LiteRT-LM wybiera następną akcję, a Android Accessibility Service wysyła dotknięcia. Żadnego API w chmurze, żadnego rachunku za tokeny, a ekran nigdy nie opuszcza telefonu. Został zweryfikowany na Galaxy S25 Ultra i według własnego opisu ma sens tylko na sprzęcie z Hexagon NPU — model potrzebuje około 3 GB miejsca, a framework jest ukierunkowany na QNN HTP v79 na arm64.

Taki jest obecny kształt działającego dziś agenta Android opartego na małym modelu — i zwróć uwagę, ile kosztuje dojście do tego. Model jest skwantyzowany i zmapowany na NPU. Przestrzeń akcji to piksele, ponieważ model oparty wyłącznie na zrzutach ekranu nie potrafi zinterpretować „indeks elementu 12”. Cała konstrukcja to pionowy stos — model, środowisko wykonawcze, krzem, framework — dlatego jest to framework, a nie rozwiązanie typu drop-in dla twojego zestawu testów. Gemma 4 12B ma około trzykrotnie większą liczbę parametrów niż E4B w tym stosie i nie jest dostarczana w formacie możliwym do uruchomienia na telefonie; 12B przy kwantyzacji czterobitowej to stacja robocza albo udostępniany punkt końcowy, a nie rezydent NPU.

Gdzie każde faktycznie wygrywa

• Koszt w skali — samodzielnie hostowana Gemma 4 12B nie ma w ogóle ceny za token, w przeciwieństwie do wywołania wizyjnego przy każdym kroku przebiegu ARTEMIS. W zestawie regresji 500 testów uruchamianym co noc ta różnica kumuluje się szybciej niż jakakolwiek luka w benchmarkach.

• Prywatność — Gemma 4 12B na własnym sprzęcie nigdy nie wysyła zrzutu ekranu w żadne miejsce; pomocnik ułatwień dostępu ARTEMIS działa wyraźnie lokalnie i nic nie wysyła, ale wywołanie modelu wykonywane przy każdym zrzucie ekranu trafia do dostawcy, którego skonfigurowałeś.

• Niezawodność zadań w rzeczywistej aplikacji — ARTEMIS, z dużą przewagą, ponieważ to harness z siatką bezpieczeństwa, weryfikacją punktów kontrolnych i odzyskiwaniem. Lepszy model niczego tego nie zastąpi.

• Audio i długie dokumenty — Gemma 4 12B, z natywnym wejściem audio w specyfikacji technicznej i oknem kontekstowym o rozmiarze 256K tokenów. ARTEMIS nie ma zdania na temat żadnego z nich.

• Czas do pierwszego przechodzącego testu — ARTEMIS, z ogromną przewagą. Sklonuj repozytorium, code>./start.sh/code>, podłącz urządzenie z włączonym debugowaniem USB i poczekaj, aż pierwsze zadanie zainstaluje pomocnik ułatwień dostępu. Zbudowanie odpowiednika w oparciu o goły checkpoint to projekt na wiele miesięcy, a powyższy przykład Orion pokazuje, jak taki projekt wygląda, gdy jest już gotowy.

• Swoboda modyfikowania warstwy rozumowania — Gemma 4 12B, czyli wagi na licencji Apache 2.0, które możesz dostroić do własnego słownictwa interfejsu użytkownika. ARTEMIS to kod na licencji Apache 2.0, ale rozumowanie jest tam, gdzie mieszka twój model.

Wersje tego zestawienia, które są faktycznie dostępne dzisiaj

Mów jasno o tym, co możesz wdrożyć w tym tygodniu. Lista przetestowanych backendów ARTEMIS to Gemini, Claude, GPT-4o i Qwen-VL — Gemma 4 12B nie występuje na niej i nie opublikowano żadnej oceny Gemma 4 12B obsługującej sesję ARTEMIS. Plik konfiguracyjny przyjmuje endpoint modelu, więc takie połączenie jest prawdopodobne, ale nieudowodnione; jeśli spróbujesz, wykonujesz pracę oryginalną, a nie podążasz za dokumentacją. Warto powiedzieć wprost: w roadmapie ARTEMIS znajduje się pozycja „lekkie VLM-y działające na urządzeniu”, a model, który ją wypełni, nie będzie modelem 12B.

Gemma 4 12B również nie znajduje się w naszym katalogu — kierujemy pozostałe rozmiary Gemma 4, Gemma 4 26B-A4B i Gemma 4 31B, a nie 12B, więc jeśli to jest checkpoint, którego chcesz, zdobywasz go z własnej dystrybucji dostawcy i zwykłych hostów firm trzecich. Katalog z routingiem służy do drugiej połowy tego problemu: jeśli twoim planem jest ARTEMIS na hostowanym modelu wizyjnym, ten model jest pozycją kosztową, która skaluje się z każdym krokiem każdego przebiegu, a użyteczną dźwignią nie jest cena katalogowa, lecz cena cache'u. Przebieg Pro przy każdym kroku ponownie odczytuje rosnący kontekst, więc model z tanim odczytem z cache'u zmienia arytmetykę znacznie bardziej niż model z tanim świeżym wejściem. To także dlatego przełączanie awaryjne dostawcy należy do konfiguracji, a nie do dziennika incydentów — długa sesja Androida trzyma swój kontekst na jednym punkcie końcowym, a chwilowa awaria dostawcy przy kroku 74 kosztuje cię cały przebieg.

Który z nich jest twoim następnym ruchem?

Jeśli masz aplikację mobilną i zestaw testów regresyjnych, potrzebujesz ARTEMIS, a Gemma 4 12B nie jest substytutem żadnego z elementów ARTEMIS — w najlepszym razie jest silnikiem, który możesz później podmienić, nieudokumentowanym, po godzinach. Jeśli budujesz produkt, który musi działać na telefonie bez sieci i bez kosztu za wywołanie, potrzebujesz małego modelu, a Gemma 4 12B jest prawdopodobnie zbyt duża dla formatu, który faktycznie masz; zobacz, co Orion zrobił z Gemmą klasy 4B na NPU, zanim uznasz, że 12B się zmieści.

Te dwie decyzje kolidują ze sobą tylko w jednym miejscu i jest to kwestia kosztu, a nie możliwości: ile wywołań wizyjnych dziennie jesteś gotów kupić? Odpowiedz na to szczerze — policz swoje testy, policz swoje kroki, policz swoje nocne uruchomienia — a wybór między harnessem na hostowanym modelu a samodzielnie hostowanym stosem dokona się sam.

To, do czego katalog routowany służy, to druga połowa tego problemu: jeśli twój plan to ARTEMIS na hostowanym modelu wizyjnym, ten model jest pozycją kosztową, która skaluje się z każdym krokiem każdego uruchomienia