Beam 1.0 vs Gemma 4 12B: 501 bilhões de parâmetros contra 12, e o que a diferença realmente entrega

Um desses modelos cabe em um laptop. O outro precisa de um rack, e a diferença entre eles é de um fator de quarenta. Reflection Beam 1.0 é um modelo de mistura esparsa de especialistas com 501,3 bilhões de parâmetros totais que ativa 23,4 bilhões deles por token — anunciado pela Reflection em 5 de outubro de 2026 como uma prévia com lista de espera, e efetivamente lançado como pesos para download em 16 de outubro de 2026 sob Apache 2.0 em versões BF16, FP8 e NVFP4, com um pequeno modelo de rascunho de decodificação especulativa DFlash2 ao lado deles. G​emma 4 12B é o modelo denso sem encoder da G​oogle DeepMind, com 11,95 bilhões de parâmetros, lançado em 3 de junho de 2026, que lê texto, imagens, áudio e quadros de vídeo, escreve texto e quantiza até algo que uma máquina de 16 GB consegue armazenar. Ambas as licenças são permissivas, ambas as saídas são texto, e ambas estão no Hugging Face agora mesmo. Quase nada mais nelas é igual, e a pergunta útil não é qual é mais inteligente — é qual das duas resolve o seu problema sem uma ordem de compra.

Isto importa mais do que normalmente importaria, porque durante onze dias o Beam 1.0 foi um modelo sobre o qual se podia ler, mas não se podia ter. O anúncio da Reflection em 5 de outubro prometia pesos Apache 2.0 "ainda este mês", e o repositório permanecia vazio. Em 16 de outubro de 2026, a coleção está ativa com quatro repositórios, e o cartão do modelo contém uma tabela completa de avaliação. Esse lançamento é o motivo pelo qual esta comparação pode ser escrita como uma comparação, e não como uma nota sobre uma manchete.

Onde os dois estão, em uma só passada

Tudo o que está abaixo é documentação do próprio fornecedor ou da Artificial Analysis. Quando um número é do fornecedor e ninguém o reproduziu, esta página indica isso no local onde ele aparece, em vez de num aviso de isenção de responsabilidade no final.

• Total de parâmetros — Beam 1.0 501,3B vs G​emma 4 12B 11,95B. A proporção é de aproximadamente 42 para 1.

• Parâmetros ativos por token — 23,4B vs 11,95B. A proporção cai para cerca de 2 para 1, e é aí que está todo o truque: um modelo esparso só paga pela parte de si mesmo que usa.

• Arquitetura — O Beam 1.0 é um MoE de 52 camadas com 256 especialistas, três camadas densas e 49 camadas de especialistas, atenção local e global intercaladas, e atenção gated grouped-query com atenção de janela deslizante; o Gemma 4 12B é denso, com 48 camadas, e não possui nenhum codificador multimodal — o processamento de visão e áudio é treinado dentro do modelo, em vez de ser acoplado a ele.

• Janela de contexto — Beam 1.0 com 1.000.000 de tokens na ficha do modelo; Gemma 4 12B com 262.144 tokens. Ambos são o maior número oferecido por suas respectivas famílias.

• Modalidade — Beam 1.0 é texto de entrada e texto de saída, e seu cartão diz isso claramente; G​emma 4 12B recebe texto, imagem, áudio e quadros de vídeo como entrada e retorna texto.

• Licença — Apache 2.0 em ambos, utilizável comercialmente, sem limites de utilizadores. Este é o ponto em que os dois modelos mais se aproximam de ser a mesma coisa.

• Avaliação publicada — o Beam 1.0 traz uma tabela de avaliação para checkpoints BF16, FP8 e NVFP4; o cartão do Gemma 4 12B contém os próprios números do Google e vem sendo avaliado de forma independente desde junho.

• Pontuação independente — o Artificial Analysis Intelligence Index v4.3.2 coloca o Beam 1.0 em 30, classificado em 19.º de 120 modelos na sua classe de comparação, e o G​emma 4 12B em 14, classificado em 20.º de 141 — uma diferença de 16 pontos a favor do modelo maior, com o valor do G​emma a incluir uma nota de rodapé «estimado» porque a avaliação independente do 12B ainda estava pendente.

O que o Beam 1.0 realmente é, agora que os pesos existem

O cartão do modelo informa: 501,3 bilhões de parâmetros totais, 23,4 bilhões ativos, 52 camadas, das quais três são densas e 49 são MoE, 256 especialistas, um vocabulário de 152.000 tokens, um corte de conhecimento em 30 de junho de 2026 e modalidade apenas de texto. O template de chat é um formato Harmony modificado com dois canais — analysis e final — e uma configuração reasoning_effort que aceita um número inteiro ou um dos valores minimal, low, medium, high, xhigh e max, mapeando para 8, 32, 64, 128, 256 e 512. O padrão servido quando o parâmetro não é definido é 512. A própria documentação do template observa que minimal, em 8, é o menor esforço que os dados de treinamento jamais amostraram, portanto um orçamento menor não é respeitado.

Três coisas sobre essa especificação merecem ser destacadas, porque são as partes que decidem se você pode usá-la.

A primeira é que a configuração de esforço não tem interruptor de desligamento. O Beam sempre raciocina; você escolhe o quanto. Para um loop de agente, isso significa que cada turno carrega um prefixo de deliberação que é cobrado e, se você reproduzir o histórico, cobrado novamente. O template chega a lançar um erro quando allow_missing_thinking é definido como false e um turno anterior do assistente descartou seu raciocínio, precisamente porque removê-lo degrada a saída. Isso é um custo documentado, não um bug.

A segunda são as versões quantizadas. A Reflection publicou checkpoints FP8 e NVFP4 no mesmo dia que o modelo BF16, junto com o drafter DFlash2. O repositório NVFP4 está listado com 255B, contra os 501B do BF16, e a ficha atribui a quantização ao llm-compressor, com crédito à equipe da NVIDIA pela orientação. Ter uma versão de quatro bits no dia zero muda completamente quem consegue executar isto — 501B em bfloat16 é cerca de um terabyte de pesos, o que é uma conversa de compra diferente de 255B em quatro bits.

O terceiro é o que está faltando. Não há recomendação de serving na ficha, nenhum requisito mínimo de hardware publicado e nenhum preço de API publicado em lugar algum das próprias propriedades da Reflection. A página da Artificial Analysis para o modelo registra os campos de preço como indisponíveis e observa "Nenhuma API disponível publicamente" — o que, para um modelo cujo argumento principal é que é barato de executar, é a linha que você gostaria que estivesse preenchida.

O que é o Gemma 4 12B, e por que o tamanho é o argumento

O cartão do G​oogle atribui ao G​emma 4 12B 11,95 bilhões de parâmetros em 48 camadas, uma janela de contexto de 262.144 tokens, um vocabulário compartilhado de 262.000 tokens em toda a família e uma janela deslizante de 1.024 tokens — o dobro do que usam os tamanhos menores E2B e E4B. A atenção intercala atenção local de janela deslizante com atenção global completa, e a camada final é sempre global. Ele é pré-treinado em mais de 140 idiomas, com suporte pronto para uso declarado para 35 ou mais.

A decisão de engenharia interessante é arquitetural: o modelo não tem codificadores separados. A forma como o Google apresenta a questão é que o tratamento multimodal foi incorporado no treinamento, e não anexado depois, e é por isso que o mesmo checkpoint atende visão e áudio sem um segundo conjunto de pesos para carregar. Em um dispositivo, essa é a diferença entre um modelo implantável e um pipeline.

O Google também lançou o treinamento ciente de quantização, em vez de depender de um quantizador a posteriori, e publica um GGUF QAT de aproximadamente 6,98 GB para os pesos, além de um pequeno projetor multimodal. As quantizações da comunidade vão ainda mais longe: a build do Unsloth amplamente espelhada varia de cerca de 4,2 GB na 2-bit mais agressiva até 7,12 GB em Q4_K_M e 12,67 GB em Q8_0. As builds MLX para Apple silicon ficam perto de 12,7 GB em 8-bit. O checkpoint com ajuste fino para instruções em precisão total, em contrapartida, é um único arquivo safetensors de 23,92 GB — o footprint bruto em bfloat16 antes de qualquer KV cache, que é o número que mostra que uma máquina de 16 GB não consegue mantê-lo sem quantização e uma placa de 24 GB consegue.

A pontuação independente está disponível desde pouco depois do lançamento, e é essa a assimetria que percorre toda esta página. A Artificial Analysis mede o 12B em 14 no Intelligence Index v4.3.2, 117,6 tokens de saída por segundo, 2,43 segundos até o primeiro token, e US$ 0,10 por milhão de tokens de entrada contra US$ 0,30 por milhão de saída. A própria ficha do Google reporta 78,2 no MMLU Pro, 77,8 no GPQA Diamond, 77,5 no AIME 2026 sem ferramentas, 72,0 no LiveCodeBench v6 com um ELO de Codeforces de 1659, 69,1 no MMMU Pro e 43,4 no MRCR v2 a 128K com oito agulhas.

A comparação que não existe

A ficha do Beam 1.0 informa SWE-bench Verified em 81,6% no checkpoint BF16, 80,2% em FP8 e 80,7% em NVFP4; Terminal Bench v2.1 em 80,1, 78,9 e 78,4; SWE Bench Pro v1 em 66,1, 65,9 e 65,6; DeepSWE v1.1 em 43,3, 43,0 e 42,7; GPQA Diamond em 90,6, 90,3 e 89,3; AIME 2026 em 97,7, 98,0 e 97,5; LiveCodeBench em 88,3, 88,1 e 87,4; MCP Atlas em 80,8, 81,5 e 80,5, e IFBench em 79,6, 80,7 e 79,2. As avaliações usaram temperatura 0,7 e top-p 0,99. Tudo isso é divulgação da própria Reflection e nada disso foi reproduzido por terceiros.

O card do Gemma 4 12B reporta seus próprios números, também não reproduzidos no nível de cada benchmark, e a Artificial Analysis pontuou o modelo de forma independente. Agora coloque os dois lado a lado e tente subtrair. Não é possível. A tabela da Beam é uma tabela de modelos de fronteira de benchmarks de codificação agêntica e uso de ferramentas. A do Gemma é uma tabela de benchmarks de compreensão e raciocínio multimodal. Onde as duas se sobrepõem — GPQA Diamond e AIME, essencialmente —, os harnesses, as configurações de esforço de raciocínio e os parâmetros de amostragem não estão documentados de um lado e são desconhecidos do outro. Um 90,6 contra um 77,8 no GPQA parece uma diferença de 13 pontos, e é uma comparação da configuração de um laboratório com a de outro laboratório.

O único número nesta página em que uma única organização mediu ambos os modelos é o Intelligence Index, e aí a diferença é de 30 contra 14. Trata-se de uma medição real feita por um terceiro sob um composto documentado. É também uma diferença de 16 pontos para um modelo com 42 vezes o número de parâmetros e, com as evidências disponíveis, de uma classe de implantação totalmente diferente. Ninguém deveria se surpreender com isso.

Quanto custa cada um para realmente rodar

Nem o Beam 1.0 nem o Gemma 4 12B constam do nosso catálogo. O que o OrcaRouter roteia da família Gemma 4 são os dois tamanhos que temos: Gemma 4 26B A4B a $0.06 por milhão de tokens de entrada e $0.33 por milhão de tokens de saída com um contexto de 262.144 tokens, e o Gemma 4 31B a $0.13 e $0.38 — preço de tabela do provedor repassado sem markup, conforme consta na nossa própria lista de modelos em 16 de outubro de 2026. O Beam 1.0 não é algo que oferecemos, e esta página não finge o contrário; a forma de usá-lo hoje é baixá-lo da coleção da Reflection no Hugging Face ou chamar a própria API da Reflection.

Isso deixa a comparação honesta de custos como uma comparação de hardware, que é a versão que realmente importa aqui. Se você já tem a máquina, G​emma 4 12B em quatro bits é um download e uma tarde. Se não tiver, o equivalente medido do 12B é praticamente o item mais barato da nossa lista — trinta centavos por milhão de tokens de saída — enquanto um modelo de 501B com 23B ativos é um aluguel de GPU que não foi precificado para você em lugar nenhum, porque a Reflection não publicou uma tarifa.

Qual dos dois é o seu modelo?

Escolha o G​emma 4 12B se o trabalho for multimodal, se tiver de correr em hardware que já possui ou num dispositivo que envia para os clientes, se for aceitável uma latência de poucas centenas de milissegundos até ao primeiro token e se um contexto de 256K cobrir os seus documentos. O design sem encoder e o treino com reconhecimento de quantização visam precisamente esse leitor, e a licença Apache 2.0 significa que pode distribuir um derivado sem ter de conversar com a G​oogle. O custo da escolha é a capacidade: 14 no índice independente está muito abaixo da fronteira, e o conjunto de benchmarks que mais lhe importa — codificação agêntica, raciocínio à escala de repositório — não é o conjunto que a G​oogle publicou.

Escolha Beam 1.0 se o trabalho for programação, uso de ferramentas e execução agêntica de horizonte longo, se tiver acesso a um cluster ou um parceiro de serving, e se conseguir absorver uma API sem preço definido e um orçamento de raciocínio sempre ativo. Os benchmarks publicados visam exatamente essa carga de trabalho, a build de quatro bits torna a conversa sobre hardware materialmente mais fácil do que a contagem de parâmetros sugere, e a licença não impõe qualquer restrição que impeça um ajuste fino comercial.

Não escolha nenhum dos dois se o que você realmente precisa é de uma resposta esta semana. Ambos são modelos que você tem de executar. As comparações que importam para essa decisão — um modelo servido a uma tarifa publicada, em uma chave que você já possui — estão em outra página, e esta aqui trata dos dois extremos do espectro de pesos abertos, e não do meio, onde vive a maior parte do tráfego de produção.

O que mudaria esta página

Duas coisas. Um benchmark independente que coloque o Beam 1.0 e o Gemma 4 12B no mesmo harness, com o mesmo esforço, substituiria a comparação apenas com o Index acima por algo subtraível, e o fato de os pesos do Beam serem agora públicos significa que qualquer pessoa pode executá-lo. Um preço publicado para a API do Beam — ou para uma implantação hospedada em FP8 ou NVFP4 — transformaria a seção de custos de um argumento de hardware em uma tabela de tarifas. Até que uma dessas coisas se concretize, o resumo preciso é este: a diferença de parâmetros de 40 para 1 compra cerca de 16 pontos de inteligência medida de forma independente e um conjunto diferente de benchmarks, e custa a você um lugar para colocá-lo.

Um resultado como este também é um lembrete de que erros de modelo já estão documentados: os incidentes de IA e as falhas de agentes por trás de modelos dessa classe são reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, severidade, grau de confiança e indicador de disputa.