Dessa vs Gemma 4 12B: dwa modele laptopów, tylko jeden możesz pobrać

Najbardziej przydatne porównanie między Dessa a Gemma 4 12B to nie wynik benchmarku. To plik. Gemma 4 12B — model Google DeepMind z otwartymi wagami o 11,95 mld parametrów, opublikowany jako Gemma 4 12B Unified na licencji Apache 2.0 3 czerwca 2026 — to checkpoint, który możesz pobrać jeszcze dziś po południu, uruchomić na laptopie z 16 GB i dostroić, nie pytając nikogo. Dessa, którą Block ogłosił 23 października 2026, to model mowy pełnodupleksowej, który według producenta działa na MacBook Pro M4 Max, z tym że nie można go pobrać, wywołać ani zbadać. Znajduje się za listą oczekujących — bez wag, bez API, bez ceny i bez ujawnionej liczby parametrów.

Oba są sprzedawane jako modele lokalne. Tylko jeden z nich jest faktycznie dystrybuowany. To rozróżnienie porządkuje wszystko inne: to, co możesz zbudować, co możesz zmierzyć i co właściwie oznacza „działa na laptopie”.

Krótka odpowiedź i dlaczego jest krótka

Jeśli twoim celem jest dostarczenie w tym kwartale czegoś, co przetwarza tekst, obrazy, dźwięk lub wideo, Gemma 4 12B jest jedynym z tych dwóch, który jest produktem, z którego możesz korzystać. Jeśli twoim celem jest badanie mowy pełnodupleksowej — modelu, który słucha, gdy mówi, wtrąca się i bywa przerywany bez utraty wątku — Dessa jest ciekawszym artefaktem, ale jeszcze nie możesz go mieć.

To brzmi jak zbycie. Bliżej temu do opisu dwóch różnych etapów dojrzałości. Gemma 4 12B to ukończone otwarte wydanie z licencją, kartą modelu i tabelą wyników benchmarków. Dessa to podgląd badawczy z materiałem demonstracyjnym. Porównywanie ich pod względem możliwości jest jak porównywanie aparatu dostępnego w sprzedaży z prototypem laboratoryjnym: prototyp może mieć lepszy sensor, ale tylko jeden z nich robi zdjęcie, które można zachować.

Dwa znaczenia słowa „local”

Lokalna historia Gemma 4 12B jest konkretna. To gęsty model typu decoder-only o jednolitej architekturze bez enkodera — 48 warstw, patche obrazu rzutowane bezpośrednio, audio obsługiwane bez osobnego enkodera. Google pozycjonuje go na około 16 GB zunifikowanej pamięci, a wagi są dostępne na Hugging Face w BF16, wraz z pojawiającymi się GGUF, MLX i innymi kompilacjami społecznościowymi. Możesz uruchomić go offline, w samolocie, bez konta.

Lokalna historia Dessa to jedno zdanie na stronie: wnioskowanie działa szybciej niż w czasie rzeczywistym na MacBooku Pro M4 Max lub lepszym sprzęcie. Nie ma danych o pamięci, kwantyzacji, rozmiarze pliku ani pobieraniu. To twierdzenie może być całkowicie prawdziwe. Jest też niefalsyfikowalne z zewnątrz, ponieważ „działa lokalnie” w poście dostawcy może oznaczać „nasi badacze pokazali to na laptopie”, a nie „uruchomisz to na swoim”. Dopóki nie ma pliku wag ani instalatora, uczciwa interpretacja to ta pierwsza.

Słyszy się, rozmawia się

Różnica architektoniczna jest ostrzejsza niż różnica w liczbie parametrów. Gemma 4 12B to multimodalny czytnik: na wejściu tekst, obraz, dźwięk i wideo; na wyjściu tekst. Jego wejście audio jest ograniczone do 30 sekund na klip, a wejście wideo do około 60 sekund przy jednej klatce na sekundę. W tych granicach potrafi transkrybować, tłumaczyć, opisywać, odpowiadać na pytania dotyczące nagrania i wyodrębniać dane strukturalne. Innymi słowy, jest niezwykle dobry w zamienianiu ograniczonego wycinka świata w tekst.

Dessa to konwersacyjny strumień: dźwięk na wejściu, dźwięk na wyjściu, bez żadnego etapu tekstowego. Nie ma transkrypcji do przejrzenia, granicy tokenów ani oddzielnego kroku syntezy. Twierdzenie Blocka jest takie, że zachowuje to prozodię, śmiech, westchnienia i rytm, które potok mowa-tekst-mowa spłaszcza. Demonstracje pokazują, jak model śmieje się w środku zdania, dopasowuje głośność i dokańcza zapomniany przez mówcę tytuł filmu.

Praktyczną konsekwencją jest to, że tych dwóch modeli nie można stosować zamiennie na poziomie API. Nie można wysłać do Dessa pliku PDF. Nie można poprosić modelu Gemma 4 12B o przerwanie w połowie odpowiedzi, ponieważ nie generuje strumienia audio, który można by przerwać. Produkt głosowy oparty na Gemma wymaga co najmniej dwóch dodatkowych komponentów; produkt dokumentowy oparty na Dessa nie jest w ogóle możliwy.

Karta specyfikacji, z obiema stronami w tym samym wierszu

Poniższe wartości pochodzą od dostawców, o ile nie oznaczono inaczej. Dane Gemmy pochodzą z karty modelu Google; dane Dessy pochodzą ze strony ogłoszenia Blocka, która publikuje znacznie mniej informacji.

• Parametry — Gemma 4 12B 11.95B gęsty vs Dessa nieujawnione.

• Wagi — Gemma 4 12B Apache 2.0 do pobrania vs Dessa brak opublikowanych.

• Kontekst — Gemma 4 12B: 262,144 tokenów w porównaniu z Dessa: nie podano, a do tego brak interfejsu tokenowego, względem którego można by to zmierzyć.

• Wejście — Gemma 4 12B: tekst, obraz, dźwięk do 30 sekund, wideo do około 60 sekund, w porównaniu z Dessa: strumień audio na żywo.

• Dane wyjściowe — tekst Gemma 4 12B kontra audio Dessa.

• Interakcja — Gemma 4 12B: żądanie i odpowiedź w trybie turowym w porównaniu z Dessa full-duplex, z przerywaniem i backchannel.

• Sprzęt — Gemma 4 12B to około 16 GB pamięci zunifikowanej, natomiast Dessa — MacBook Pro M4 Max lub lepszy, według Blocka.

• Cena — Gemma 4 12B do pobrania bezpłatnie; stawki hostingu u zewnętrznych dostawców kształtują się wokół 0,10 USD za milion tokenów wejściowych i 0,30 USD za milion tokenów wyjściowych, podczas gdy Dessa nie podaje ceny.

• Benchmarki — Gemma 4 12B: opublikowana tabela producenta, natomiast Dessa: brak.

• Dostępność — Gemma 4 12B ogólnie dostępna od czerwca 2026 r., podczas gdy Dessa ma listę oczekujących i niewielki podgląd dla badaczy bezpieczeństwa.

Gdzie Gemma 4 12B wygrywa domyślnie

Zacznijmy od liczb opublikowanych przez Google, wszystkich zgłoszonych przez dostawcę i nieodtworzonych tutaj: MMLU-Pro 77,2, GPQA Diamond 78,8, AIME 2026 77,5 bez narzędzi, LiveCodeBench v6 72,0, Codeforces Elo 1659, Tau2 69,0, MMMU-Pro 69,1 i HLE 5,2. Układ cech wskazuje na model średniej wielkości, który jak na swoją klasę jest mocny w rozumowaniu i wizji, słaby w najtrudniejszych pytaniach z czołówki i kompetentny w korzystaniu z narzędzi. Okno kontekstu 256K i natywne wywoływanie funkcji czynią go sensownym kręgosłupem dla agenta, który czyta długi dokument, a następnie działa.

Artificial Analysis, niezależny od Google, szacuje wariant rozumujący na 14 w swoim Intelligence Index — oznaczony jako szacunek, a nie zmierzony przebieg, i znacznie powyżej mediany wynoszącej 8 dla porównywalnych modeli otwartych. To przydatne sprostowanie wobec tabeli dostawcy: model średniej wielkości, oceniony przez stronę trzecią jako plasujący się w środku stawki.

Jego wyniki audio są skromniejsze i bardziej istotne dla tego porównania. CoVoST wynosi 38,5, a FLEURS 0,069 (niżej jest lepiej); oba są podane przez dostawcę, przy czym wynik CoVoST nie obejmuje chińskiego. To metryki tłumaczenia mowy i rozpoznawania mowy, a nie jakości konwersacyjnej. Gemma potrafi wysłuchać 30-sekundowego klipu i powiedzieć, co zostało powiedziane. Nie potrafi prowadzić rozmowy na żywo.

Licencja jest tym elementem, który rozstrzyga większość kwestii komercyjnych. Apache 2.0 oznacza brak progu przychodowego, brak negocjacji dotyczących dopuszczalnego użytku i brak zgody dostawcy na dostrojenie modelu. Dla zespołu, który chce samodzielnie kontrolować ścieżkę wnioskowania, jest to warte więcej niż lepsze demo.

Dokąd wskazują dema Dessy, jeśli się utrzymają

Ciekawa nie jest teza, że Dessa brzmi jak człowiek. Chodzi o to, że usunięcie wąskiego gardła tekstowego usuwa całą kategorię błędów. Potok przetwarzania, który najpierw dokonuje transkrypcji, musi zdecydować, kiedy skończysz mówić; zanim będzie mógł odpowiedzieć, przyjmuje już transkrypt; gubi westchnienie. Model dupleksowy nigdy nie podejmuje takiego zobowiązania. Jeśli klipy Blocka są reprezentatywne, wynikiem jest rozmowa, która toleruje nakładanie się — możesz mówić jednocześnie z nią, a ona może mówić jednocześnie z tobą.

Brakuje jakiegokolwiek sposobu, by stwierdzić, czy klipy są reprezentatywne. Block twierdzi, że nikt nie steruje modelem, a napisy dodano później, co wyklucza najprostszą inscenizację. Firma nie publikuje zbioru odłożonego, rozkładu opóźnień, współczynnika odzyskiwania po przerwaniu ani oceny zrozumiałości w hałasie. The Verge uznał te same dema za „trochę niezręczne i niesamowite”, w tym klip, w którym model nazywa swojego rozmówcę „Ronaldo”. Wyselekcjonowana składanka może to przetrwać; produkt musi.

Dziś buduję pętlę głosową wokół Gemmy

Jeśli chcesz mieć agenta głosowego już teraz, architektura to rozpoznawanie mowy, następnie Gemma 4 12B, a potem synteza mowy. Model odpowiada za rozumienie, rozumowanie i tekst odpowiedzi; otaczające usługi obsługują dźwięk. Budżet opóźnienia jest zdominowany przez dwie krawędzie, a nie przez środek: detekcja punktu końcowego plus synteza zwykle zajmuje więcej czasu zegarowego niż pierwszy token modelu językowego.

OrcaRouter jest przydatny w środku tej pętli z innego powodu. Jedno API przed ponad 200 modelami oznacza, że krok wnioskowania można podmienić bez przepisywania aplikacji, a automatyczne przełączanie awaryjne sprawia, że chwilowa usterka u dostawcy nie kończy wywołania. Model 0% marży — cena katalogowa dostawcy przekazywana bez zmian — ma znaczenie, gdy dostawca obniża cenę, ponieważ obniżka jest u nas aktywna tego samego dnia. Jedno uczciwe zastrzeżenie: kierujemy ruch do Gemma 4 26B A4B i Gemma 4 31B, a nie do 12B, który jest modelem do pobrania i hostowania u siebie. Jeśli chcesz 12B za API, to decyzja o hostingu u podmiotu trzeciego, a nie nasza.

Wybór na podstawie ograniczeń

• Musisz teraz wdrożyć tekst lub dane multimodalne — Gemma 4 12B, bez poważnej alternatywy w tej parze.

• Potrzebujesz wnioskowania offline na sprzęcie, który kontrolujesz — Gemma 4 12B, ponieważ wagi istnieją.

• Potrzebujesz zrozumieć dokument, obraz lub 30-sekundowe nagranie — Gemma 4 12B.

Potrzebujesz głosu na żywo, który można przerwać — Dessa jest jedyną z dwóch, która jest do tego przeznaczona, i nie jest dostępna.

• Potrzebujesz ekspresji emocjonalnej w audio wyjściowym — dowodem są dema Dessa, a zostały one wybrane przez dostawcę.

• Potrzebujesz licencji, którą można przeprowadzić przez procedurę zakupową — Apache 2.0 w modelu Gemma 4 12B to jedyna licencja w grze.

Co sprawiłoby, że byłoby to prawdziwym porównaniem?

Trzy rzeczy zmieniłyby odpowiedź. API Dessa, dzięki któremu oba można by mierzyć na tych samych rozmowach. Opublikowana liczba parametrów i wartość opóźnienia, dzięki czemu można by odtworzyć twierdzenie dotyczące laptopa. Albo model natywnie obsługujący mowę z otwartymi wagami od kogoś innego, co zamieniłoby „Dessa vs Gemma” w porównanie architektur, a nie porównanie dostępności.

Do tego czasu uczciwym podsumowaniem jest to, że Gemma 4 12B to zdolny lokalny model multimodalny z wąskim gardłem tekstowym, którego nie może usunąć, a Dessa to obiecująca próba usunięcia tego wąskiego gardła bez publicznego sposobu sprawdzenia wyniku. Pierwszy jest narzędziem. Drugi jest hipotezą o znakomitych wartościach produkcyjnych.