UserRepGen-4B vs Gemma 4 12B: wąski specjalista 4B kontra generalista 12B, i dlaczego rozmiary kłamią

Zestawione obok siebie microsoft/UserRepGen-4B i Gemma 4 12Bwyglądają jak niedopasowana para, o której wyniku przesądzono, zanim cokolwiek się zaczęło. Model Google'a o 11,95 miliarda parametrów czyta tekst, obrazy i dźwięk, utrzymuje 256 tys. tokenów kontekstu, ma za sobą raport techniczny i wpis na blogu z okazji premiery, a od maja 2026 roku pobrano go około 79 000 razy. Model Microsoftu to LoRA o rzędzie 64 na Qwen3.5-4B, wgrany 14 października 2026 roku bez żadnej zapowiedzi, i robi dokładnie jedną rzecz: czyta gotową rozmowę użytkownika z asystentem i zwraca dwupolowy opis JSON osoby, która w niej występuje. Nie potrafi prowadzić rozmowy, odpowiadać na pytania ani widzieć obrazu. Porównywanie ich pod kątem możliwości nie jest porównaniem, lecz błędem kategorii — a właśnie ten błąd kategorii jest najciekawszy, bo to mniejszy model pokonuje czołowego generalistę w zadaniu, do którego został stworzony.

Do czego właściwie służy każdy z nich

Najczystszym sposobem, by pomieścić oba w głowie, jest to, że Gemma 4 12B jest asystentem, a UserRepGen-4B to narzędzie pomiarowe.

• Gemma 4 12B — pozbawiony enkoderów multimodalny członek rodziny Gemma 4. Na wejściu tekst, obraz i dźwięk; na wyjściu tekst. Własna karta Google opisuje go jako „Unified”, ponieważ rezygnuje z dedykowanych enkoderów wizji i dźwięku, z których korzysta reszta rodziny, i rzutuje surowe fragmenty obrazów oraz przebiegi falowe bezpośrednio w przestrzeń osadzeń dekodera za pomocą lekkich warstw liniowych. 48 warstw, okno przesuwne o rozmiarze 1024 tokenów, słownik 262 tys. tokenów, kontekst 256 tys. tokenów. Apache 2.0, warianty dostrojone do instrukcji publikowane razem z wersją bazową.

• UserRepGen-4B — generator reprezentacji. Wejście: autoryzowana rozmowa wieloetapowa, do 8192 tokenów. Wyjście: obiekt JSON z polem task i polem user_behavior, ograniczony do 1024 tokenów, zweryfikowany przez człowieka, a następnie przekazany oddzielnemu LLM, który odgrywa użytkownika w symulacji. MIT dla wkładu Microsoftu, Apache 2.0 odziedziczona po szkielecie Qwen. Tylko tekst, mimo że checkpoint zachowuje wieżę wizyjną, której nigdy nie używa.

Gemma 4 12B można poprosić, by robiła to, co robi UserRepGen-4B — przeczytała rozmowę i opisała jej użytkownika. To jest właśnie uczciwe wejście w to starcie, ponieważ karta Microsoftu mierzy model ogólny robiący dokładnie to, a ten przegrywa.

Jedyna prawdziwa liczba, która ich łączy

Nie istnieje żadne opublikowane bezpośrednie porównanie tych dwóch, a wymyślanie go byłoby łatwym błędem, w jaki może popaść strona taka jak ta. To, co karta UserRepGen-4B faktycznie publikuje, to ocena wierności na 700 rozmowach w skali od 1 do 10, w której każdy generator jest oceniany na podstawie identycznych wywołań. W tej tabeli GPT-5.5używany bez dostrajania jako generator reprezentacji uzyskuje 3,90 w trybie best-of-1 i 4,90 w trybie best-of-3. UserRepGen-4B uzyskuje 4,95 i 6,02. Wytrenowany specjalista 4B bije czołowego generalistę, który jest o rzędy wielkości większy, w tym konkretnym zadaniu.

Gemma 4 12B nie ma w tej tabeli, więc nikt nie wie, gdzie by się uplasowała. Ale punkt odniesienia, wobec którego byłaby oceniana, jasno zarysowuje kształt odpowiedzi: ogólny model poproszony o opisanie użytkownika tworzy coś wiarygodnego i ogólnikowego, a metoda treningowa w UserRepGen-4B istnieje właśnie po to, by to przekroczyć. 12B bardzo prawdopodobnie pokona 4B w ogólnym rozumowaniu, ale przegra z nim w tym wąskim zadaniu.

Co nasuwa oczywiste pytanie, dlaczego nie miałbyś po prostu zlecić Gemma 4 12B zrobienia tego samego i trzymać tylko jednego modelu na dysku. Są dwa powody, a drugi jest tym, który ma znaczenie.

Pierwsza kwestia to koszt przy dużej skali. Generowanie reprezentacji dla każdej rozmowy to zadanie wsadowe, a 12B parametrów kosztuje około trzy razy więcej niż 4B parametrów przy tym samym przebiegu. Druga to fakt, że luka w wierności nie jest problemem dostrajania — własne ablacje karty pokazują zwykłe nadzorowane dostrajanie na poziomie 4,64/5,68, podczas gdy zarówno OPSD, jak i GRPO, dwie metody uczenia ze wzmocnieniem, po które kompetentny zespół sięgnąłby w pierwszej kolejności, plasują się poniżej tego na poziomie 4,46/5,60 i 3,57/4,59. Doprowadzenie modelu ogólnego do takiego zachowania nie jest kwestią lepszego promptu ani cięższego przebiegu RL. To jest to, do czego została stworzona pętla treningowa.

Oba można pobrać, a tylko jeden z nich można wdrożyć

To tutaj ujęcie „4B kontra 12B” całkowicie się załamuje, ponieważ te dwa wydania znajdują się na przeciwnych krańcach spektrum pakowania.

• Gemma 4 12B — wydany produkt z działającym ekosystemem. Wsparcie dla Transformers, wariant dostrojony do instrukcji, formaty skwantyzowane i brzegowe opublikowane w całej rodzinie, blog z premiery, raport techniczny na arXiv oraz udokumentowana ścieżka od pobrania do serwowania.

• UserRepGen-4B — pojedynczy plik safetensors w formacie bfloat16 o rozmiarze 9 078 620 536 bajtów. Żadnego GGUF, żadnego ONNX, żadnego MLX, żadnej kwantyzacji jakiegokolwiek rodzaju. Karta mówi to wprost: „Obecnie nie są dostępne żadne zoptymalizowane ani specyficzne dla urządzenia formaty”.

Ta luka nie jest przypadkowa. Gemma 4 12B została stworzona po to, by uruchamiali ją inni ludzie, a jedenaście i pół miliarda parametrów trafia na rynek jako produkt. UserRepGen-4B powstał po to, by dać wynik do artykułu naukowego, a jego karta wciąż mówi, że cytowanie „oczekuje na potwierdzenie”, i odnosi się do uwierzytelniania „gdy repozytorium jest prywatne” — wers pozostały po etapowym wgraniu, który nie został zaktualizowany. Jeden jest ukończony; drugi jest ukończony wystarczająco.

Jeśli tym, czego tak naprawdę chciałeś, była Gemma 4 przez API

Warto powiedzieć wprost, bo właśnie tu najczęściej trafiają czytelnicy porównania Gemmy: OrcaRouter nie udostępnia Gemma 4 12B — nie ma dla tego modelu strony w naszym katalogu — i nie udostępnia też UserRepGen-4B. W katalogu są jednak dwa inne modele z tej samej rodziny Gemma 4 i oba podają cenę katalogową dostawcy bez żadnych dodatków: Gemma 4 26B A4B, wersja 25,2B typu mixture-of-experts z 3,8B aktywnych parametrów i kontekstem 262 144 tokenów, w cenie 0,06 USD za milion tokenów wejściowych i 0,33 USD za milion wyjściowych; oraz Gemma 4 31B, gęsty multimodalny model 30,7B, w cenie 0,13 USD i 0,38 USD. Jeśli chodziło ci konkretnie o 12B do pracy lokalnej, odpowiedzią jest pobranie, a żadne API tego nie zmienia.

Po stronie symulacji uczciwe stanowisko jest takie samo. UserRepGen-4B to checkpoint i plik z promptem — uruchamiasz go samodzielnie, we własnym środowisku, na rozmowach, które masz uprawnienia przetwarzać. Wygodnie by było, gdyby to było wywołanie hostowanego endpointu. Dziś tak nie jest — ani u nas, ani nigdzie indziej.

Który pobrać?

Jeśli potrzebujesz niewielkiego asystenta multimodalnego, który czyta dokumenty, słyszy dźwięk i odpowiada na pytania na laptopie, Gemma 4 12B jest właśnie tym, a porównanie z UserRepGen-4B nie jest nawet na tyle bliskie, by miało znaczenie. Jeśli budujesz symulator użytkownika, a twoje obecne podejście polega na promptowaniu modelu ogólnego, aby opisywał użytkownika, UserRepGen-4B jest jedyną rzeczą tutaj, która została wytrenowana do tego, a dowody — raportowane przez dostawcę, z jednego laboratorium, oceniane przez cały czas przez GPT-5.4 mini — mówią, że trening bije promptowanie. Obraz zmieniłby artykuł albo jedna niezależna ewaluacja tego wyniku 4,95 spoza firmy Microsoft. Żadne z nich jeszcze nie istnieje, a na oba warto poczekać, zanim ktokolwiek zastąpi nim działający potok.

Właśnie w takich porównaniach jak to ujawniają się też tryby awarii: udokumentowane incydenty związane ze sztuczną inteligencją i awarie agentów stojące za modelami z tej klasy są gromadzone w the OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, ocenę pewności oraz oznaczenie sporności.