Beam 1.0 kontra Gemma 4 12B: 501 miliardów parametrów przeciwko 12, i co tak naprawdę daje ta przepaść

Jeden z tych modeli mieści się na laptopie. Drugi potrzebuje szafy rack, a dzieląca ich różnica to czynnik czterdziestu. Reflection Beam 1.0 to rzadki model typu mixture-of-experts o łącznej liczbie 501,3 mld parametrów, z których na każdy token aktywuje 23,4 mld — ogłoszony przez Reflection 5 października 2026 r. jako podgląd z listą oczekujących, a faktycznie udostępniony jako wagi do pobrania 16 października 2026 r. na licencji Apache 2.0 w wersjach BF16, FP8 i NVFP4, wraz z małym drafterem do dekodowania spekulatywnego DFlash2. G​emma 4 12B to pozbawiony enkodera gęsty model Google DeepMind o 11,95 mld parametrów, wydany 3 czerwca 2026 r., który czyta tekst, obrazy, dźwięk i klatki wideo, pisze tekst i poddaje się kwantyzacji do rozmiaru, jaki zmieści się na maszynie z 16 GB pamięci. Obie licencje są permisywne, oba modele zwracają tekst i oba są teraz dostępne na Hugging Face. Prawie nic więcej ich nie łączy, a użyteczne pytanie nie brzmi, który jest mądrzejszy — lecz który z tych dwóch rozwiąże twój problem bez zamówienia.

Ma to większe znaczenie, niż zwykle by miało, ponieważ przez jedenaście dni Beam 1.0 był modelem, o którym można było czytać, ale którego nie można było mieć. Ogłoszenie Reflection z 5 października obiecywało wagi na licencji Apache 2.0 „później w tym miesiącu”, a repozytorium świeciło pustkami. Od 16 października 2026 r. kolekcja jest już dostępna i obejmuje cztery repozytoria, a karta modelu zawiera pełną tabelę ewaluacji. To wydanie jest powodem, dla którego to porównanie może w ogóle zostać napisane jako porównanie, a nie jako notka o nagłówku.

Gdzie stoją oboje, w jednym przebiegu

Wszystko poniżej to albo dokumentacja własna dostawcy, albo Artificial Analysis. Jeżeli jakaś liczba pochodzi od dostawcy i nikt jej nie odtworzył, ta strona mówi o tym tam, gdzie się ona znajduje, a nie w zastrzeżeniu na dole.

• Łączna liczba parametrów — Beam 1.0 501.3B vs G​emma 4 12B 11.95B. Stosunek wynosi około 42 do 1.

• Aktywne parametry na token — 23,4 mld vs 11,95 mld. Stosunek spada do około 2 do 1 i na tym polega cały trik: model rzadki płaci tylko za tę część siebie, której używa.

• Architektura — Beam 1.0 to 52-warstwowy MoE z 256 ekspertami, trzema gęstymi warstwami i 49 warstwami ekspertów, przeplataną uwagą lokalną i globalną oraz bramkowaną uwagą typu grouped-query z uwagą okna przesuwnego; Gemma 4 12B jest gęsta, ma 48 warstw i nie ma w ogóle enkoderów multimodalnych — obsługa obrazu i dźwięku jest wytrenowana w modelu, a nie doklejona.

• Okno kontekstowe — Beam 1.0: 1 000 000 tokenów na karcie modelu; Gemma 4 12B: 262 144 tokeny. Obie liczby są największe w swoich rodzinach.

• Modalność — Beam 1.0 to tekst na wejściu, tekst na wyjściu, a jego karta mówi to wprost; G​emma 4 12B na wejściu przyjmuje tekst, obraz, dźwięk i klatki wideo, a zwraca tekst.

• Licencja — Apache 2.0 w obu, komercyjnie użyteczna, bez limitów liczby użytkowników. To najbardziej zbliża te dwa modele do bycia tym samym.

• Opublikowana ewaluacja — Beam 1.0 udostępnia tabelę ewaluacyjną obejmującą checkpointy BF16, FP8 i NVFP4; karta modelu Gemma 4 12B zawiera własne wyniki Google i jest niezależnie oceniana od czerwca.

• Niezależny wynik — Artificial Analysis Intelligence Index v4.3.2 umieszcza Beam 1.0 na poziomie 30, na 19. miejscu spośród 120 modeli w swojej klasie porównawczej, a Gemma 4 12B na poziomie 14, na 20. miejscu spośród 141 — 16-punktowa różnica na korzyść większego modelu, przy czym wynik Gemmy opatrzony jest przypisem „szacowany”, ponieważ niezależna ocena modelu 12B wciąż była w toku.

Czym właściwie jest Beam 1.0, skoro wagi już istnieją

Karta modelu podaje: 501,3 mld parametrów łącznie, 23,4 mld aktywnych, 52 warstwy, z których trzy są gęste, a 49 to MoE, 256 ekspertów, słownik 152 000 tokenów, odcięcie wiedzy na 30 czerwca 2026 r. oraz modalność wyłącznie tekstową. Szablon czatu to zmodyfikowany format Harmony z dwoma kanałami — analysis i final — oraz ustawieniem reasoning_effort, które przyjmuje albo liczbę całkowitą, albo jedną z wartości minimal, low, medium, high, xhigh i max, mapowanych na 8, 32, 64, 128, 256 i 512. Domyślną wartością stosowaną, gdy parametr nie jest ustawiony, jest 512. Dokumentacja samego szablonu zauważa, że minimal, czyli 8, to najmniejszy wysiłek, jaki kiedykolwiek próbkowano w danych treningowych, więc mniejszy budżet nie jest uwzględniany.

Trzy rzeczy w tej specyfikacji warto wyodrębnić, ponieważ to właśnie one decydują o tym, czy możesz z niej korzystać.

Po pierwsze, ustawienie poziomu wysiłku nie ma przełącznika wyłączenia. Beam zawsze prowadzi rozumowanie; ty wybierasz tylko, jak dużo. W przypadku pętli agenta oznacza to, że każda tura niesie ze sobą prefiks deliberacji, który jest rozliczany, a jeśli odtwarzasz historię — rozliczany ponownie. Szablon wręcz zgłasza błąd, gdy allow_missing_thinking ma wartość false, a wcześniejsza tura asystenta utraciła swoje rozumowanie — właśnie dlatego, że jego usunięcie pogarsza jakość wyników. To udokumentowany koszt, a nie błąd.

Drugi element to skwantyzowane wersje. Reflection opublikował checkpointy FP8 i NVFP4 tego samego dnia co model BF16, obok draftu DFlash2. Repozytorium NVFP4 jest podane jako 255B w porównaniu z 501B dla BF16, a karta przypisuje kwantyzację do llm-compressor, z podziękowaniem dla pracowników NVIDIA za wskazówki. Posiadanie czterobitowej wersji już od pierwszego dnia zmienia to, kto w ogóle może ją uruchomić — 501B w bfloat16 to około terabajta wag, co jest zupełnie inną rozmową zakupową niż 255B przy czterech bitach.

Trzecia rzecz to właśnie to, czego brakuje. Na karcie nie ma zalecenia dotyczącego serwowania, nie opublikowano minimalnych wymagań sprzętowych ani nigdzie na własnych stronach Reflection nie podano ceny API. Strona Artificial Analysis poświęcona temu modelowi podaje pola cenowe jako niedostępne i odnotowuje „Brak publicznie dostępnego API” — co, w przypadku modelu, którego cały przekaz opiera się na tym, że jest tani w uruchomieniu, jest tym wierszem, który chciałoby się mieć wypełniony.

Czym jest G​emma 4 12B i dlaczego rozmiar jest argumentem

Karta Google'a podaje, że Gemma 4 12B ma 11,95 miliarda parametrów w 48 warstwach, kontekst 262 144 tokenów, wspólny słownik 262 000 tokenów dla całej rodziny oraz okno przesuwne o rozmiarze 1024 tokenów — dwa razy większe niż w mniejszych wariantach E2B i E4B. Mechanizm uwagi przeplata lokalną uwagę okna przesuwnego z pełną uwagą globalną, a ostatnia warstwa jest zawsze globalna. Model jest wstępnie trenowany na ponad 140 językach, a deklarowane wsparcie bez dodatkowej konfiguracji obejmuje 35 lub więcej języków.

Ciekawa decyzja inżynieryjna ma charakter architektoniczny: model nie ma osobnych enkoderów. Google ujmuje to tak, że obsługa multimodalna została wytrenowana, a nie doczepiona, dlatego ten sam checkpoint obsługuje wizję i audio bez ładowania drugiego zestawu wag. Na urządzeniu to różnica między modelem gotowym do wdrożenia a pipeline'em.

Google udostępnił również trening świadomy kwantyzacji, zamiast polegać na kwantyzatorze post-hoc, i publikuje model QAT GGUF o rozmiarze około 6,98 GB na wagi oraz mały projektor multimodalny. Kwantyzacje tworzone przez społeczność schodzą jeszcze niżej: szeroko powielana kompilacja Unsloth rozciąga się od około 4,2 GB w najbardziej agresywnym wariancie 2-bitowym, przez 7,12 GB przy Q4_K_M, po 12,67 GB przy Q8_0. Kompilacje MLX dla Apple Silicon wynoszą około 12,7 GB przy 8 bitach. Checkpoint w pełnej precyzji dostrojony do instrukcji to natomiast pojedynczy plik safetensors o rozmiarze 23,92 GB — surowy ślad pamięciowy bfloat16 przed jakąkolwiek pamięcią podręczną KV, i to właśnie ta liczba mówi, że maszyna z 16 GB nie pomieści go bez kwantyzacji, a karta z 24 GB może.

Niezależne ocenianie jest dostępne od czasu wkrótce po premierze, co jest asymetrią przenikającą całą tę stronę. Artificial Analysis mierzy model 12B na 14 w Intelligence Index v4.3.2, 117,6 tokenów wyjściowych na sekundę, 2,43 sekundy do pierwszego tokena i $0,10 za milion tokenów wejściowych w porównaniu do $0,30 za milion tokenów wyjściowych. Własna karta Google'a podaje 78,2 w MMLU Pro, 77,8 w GPQA Diamond, 77,5 w AIME 2026 bez narzędzi, 72,0 w LiveCodeBench v6 z ELO Codeforces 1659, 69,1 w MMMU Pro i 43,4 w MRCR v2 przy 128K z ośmioma igłami.

Porównanie, które nie istnieje

Karta modelu Beam 1.0 podaje: SWE-bench Verified na poziomie 81,6% na punkcie kontrolnym BF16, 80,2% na FP8 i 80,7% na NVFP4; Terminal Bench v2.1 – 80,1, 78,9 i 78,4; SWE Bench Pro v1 – 66,1, 65,9 i 65,6; DeepSWE v1.1 – 43,3, 43,0 i 42,7; GPQA Diamond – 90,6, 90,3 i 89,3; AIME 2026 – 97,7, 98,0 i 97,5; LiveCodeBench – 88,3, 88,1 i 87,4; MCP Atlas – 80,8, 81,5 i 80,5 oraz IFBench – 79,6, 80,7 i 79,2. W ewaluacjach użyto temperatury 0,7 i top-p 0,99. Wszystko to jest własnym raportowaniem Reflection i żadne z tych danych nie zostało odtworzone przez stronę trzecią.

Karta modelu Gemma 4 12B podaje jego własne wyniki, również nieodtworzone na poziomie poszczególnych benchmarków, a Artificial Analysis oceniło ten model niezależnie. Teraz postaw oba obok siebie i spróbuj odjąć. Nie da się. Tabela Beam to tabela benchmarków kodowania agentowego i użycia narzędzi dla modeli frontier. Tabela modelu Gemma to tabela benchmarków rozumienia multimodalnego i rozumowania. Tam, gdzie obie się pokrywają — zasadniczo GPQA Diamond i AIME — środowiska testowe, ustawienia wysiłku rozumowania i parametry próbkowania są nieudokumentowane po jednej stronie i nieznane po drugiej. Wynik 90,6 wobec 77,8 w GPQA wygląda jak 13-punktowa różnica, a to porównanie konfiguracji jednego laboratorium z konfiguracją drugiego.

Jedyną liczbą na tej stronie, w przypadku której jedna organizacja zmierzyła oba modele, jest Intelligence Index, a tam różnica wynosi 30 do 14. To prawdziwy pomiar wykonany przez stronę trzecią według udokumentowanego kompozytu. To również 16-punktowa różnica w przypadku modelu o 42 razy większej liczbie parametrów i, na podstawie dostępnych dowodów, zupełnie innej klasy wdrożeniowej. Nikogo nie powinno to dziwić.

Ile faktycznie kosztuje działanie każdego z nich

Nie mamy w katalogu ani Beam 1.0, ani Gemma 4 12B. Z rodziny Gemma 4 OrcaRouter kieruje dwa rozmiary, które mamy w ofercie: Gemma 4 26B A4B w cenie $0.06 za milion tokenów wejściowych i $0.33 za milion tokenów wyjściowych z kontekstem 262 144 tokenów oraz Gemma 4 31B w cenie $0.13 i $0.38 — cena z cennika dostawcy przekazywana bez narzutu, odczytane z naszej własnej listy modeli w dniu 16 października 2026 r. Beam 1.0 nie jest czymś, co obsługujemy, a ta strona nie udaje inaczej; aby użyć go dzisiaj, należy pobrać go z kolekcji Reflection na Hugging Face lub wywołać własne API Reflection.

To sprawia, że uczciwe porównanie kosztów staje się porównaniem sprzętu — i to właśnie ta wersja ma tu rzeczywiste znaczenie. Jeśli już masz ten komputer, G​emma 4 12B w wersji czterobitowej to pobranie i jedno popołudnie. Jeśli nie, rozliczeniowy odpowiednik modelu 12B jest mniej więcej najtańszą pozycją na naszej liście — trzydzieści centów za milion tokenów wyjściowych — natomiast model 501B z 23B aktywnych parametrów to wynajem GPU, którego cena nie została nigdzie dla ciebie podana, ponieważ Reflection nie opublikował stawki.

Który z dwóch jest twoim modelem?

Wybierz G​emma 4 12B jeśli praca jest multimodalna, jeśli ma działać na sprzęcie, który już posiadasz, lub na urządzeniu, do którego dostarczasz oprogramowanie, jeśli opóźnienie do pierwszego tokenu na poziomie niskich setek milisekund jest akceptowalne i jeśli kontekst 256K obejmuje twoje dokumenty. Zarówno architektura bez enkodera, jak i trening świadomy kwantyzacji są wprost skierowane do właśnie tego czytelnika, a licencja Apache 2.0 oznacza, że możesz dostarczać wersję pochodną bez rozmowy z G​oogle. Kosztem tego wyboru są możliwości: 14 w niezależnym indeksie jest daleko poniżej czołówki, a zestaw benchmarków, który liczy się dla ciebie najbardziej — kodowanie agentowe, rozumowanie w skali repozytorium — nie jest zestawem, który opublikował G​oogle.

Wybierz Beam 1.0 jeśli praca polega na kodowaniu, używaniu narzędzi i długoterminowym wykonywaniu zadań przez agenta, jeśli masz dostęp do klastra lub partnera serwującego, i jeśli możesz udźwignąć API bez ustalonej ceny i stały budżet rozumowania. Opublikowane benchmarki są wymierzone dokładnie w to obciążenie, czterobitowa kompilacja sprawia, że rozmowa o sprzęcie jest znacznie łatwiejsza, niż sugeruje liczba parametrów, a licencja nie zawiera żadnych ograniczeń, które uniemożliwiłyby komercyjne dostrajanie.

Nie wybieraj żadnego z nich, jeśli tak naprawdę potrzebujesz odpowiedzi w tym tygodniu. Oba te modele trzeba uruchomić samodzielnie. Porównania istotne dla tej decyzji — model udostępniany jako usługa po publikowanej stawce, na kluczu, który już posiadasz — to inna strona, a ta dotyczy dwóch krańców spektrum otwartych wag, a nie środka, w którym mieści się większość ruchu produkcyjnego.

Co zmieniłoby tę stronę?

Dwie rzeczy. Niezależny benchmark, który umieściłby Beam 1.0 i G​emma 4 12B na tym samym stanowisku testowym przy tym samym nakładzie pracy, zastąpiłby powyższe porównanie oparte wyłącznie na Indexie czymś, co można odjąć, a to, że wagi Beam są teraz publiczne, oznacza, że każdy może go uruchomić. Opublikowana cena za API Beam — albo za hostowane wdrożenie FP8 lub NVFP4 — zamieniłaby sekcję kosztów z argumentu sprzętowego w cennik. Dopóki jedno z nich nie stanie się faktem, trafne podsumowanie brzmi tak: różnica w liczbie parametrów 40 do 1 daje około 16 punktów niezależnie zmierzonej inteligencji i inny zestaw benchmarków, a kosztuje cię miejsce, w którym można to umieścić.

Taki wynik przypomina też, że błędy modeli są już dokumentowane: incydenty AI i awarie agentów związane z modelami tej klasy są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, ocenę pewności i oznaczenie sporności.