Dessa vs Gemma 4 12B: dois modelos de laptop, apenas um que você pode baixar

A comparação mais útil entre Dessa e Gemma 4 12B não é uma pontuação de benchmark. É um arquivo. O Gemma 4 12B — o modelo de pesos abertos de 11,95 bilhões de parâmetros do Google DeepMind, publicado como Gemma 4 12B Unified sob a licença Apache 2.0 em 3 de junho de 2026 — é um checkpoint que você pode baixar hoje à tarde, executar em um laptop de 16 GB e fazer fine-tuning sem pedir permissão a ninguém. Dessa, que a Block anunciou em 23 de outubro de 2026, é um modelo de fala full-duplex que roda em um MacBook Pro M4 Max, segundo seu fabricante, só que você não pode baixá-lo, invocá-lo nem inspecioná-lo. Ele está atrás de uma lista de espera sem pesos, sem API, sem preço e sem contagem de parâmetros publicada.

Ambos são vendidos como modelos locais. Apenas um deles é de fato distribuído. Essa distinção organiza todo o resto: o que você pode construir, o que pode medir e o que “roda em um laptop” significa afinal.

A resposta curta, e por que ela é curta

Se seu objetivo é lançar algo neste trimestre que processe texto, imagens, áudio ou vídeo, o Gemma 4 12B é o único dos dois que é um produto que você pode usar. Se seu objetivo é estudar fala full-duplex — um modelo que escuta enquanto fala, intervém e é interrompido sem perder o fio da meada —, o Dessa é o artefato mais interessante, e você ainda não pode tê-lo.

Isso soa como uma desvalorização. Está mais perto de uma descrição de dois estágios diferentes de maturidade. O Gemma 4 12B é um lançamento aberto concluído, com licença, model card e tabela de benchmarks. O Dessa é uma prévia de pesquisa com um vídeo de demonstração. Compará-los em capacidade é como comparar uma câmera já comercializada a um protótipo de laboratório: o protótipo pode ter o sensor melhor, mas só um deles tira uma foto que você pode guardar.

Dois significados de "local"

A proposta local do Gemma 4 12B é concreta. É um modelo denso somente decodificador com uma arquitetura unificada sem encoder — 48 camadas, patches de imagem projetados diretamente, áudio tratado sem um encoder separado. O Google o posiciona para cerca de 16 GB de memória unificada, e os pesos estão no Hugging Face em BF16, com builds GGUF, MLX e outras versões da comunidade seguindo. Você pode executá-lo offline, em um avião, sem conta.

A história local da Dessa é uma frase em uma página: a inferência roda mais rápido que o tempo real em um MacBook Pro M4 Max ou superior. Não há valor de memória, nem quantização, nem tamanho de arquivo, e nem download. A afirmação pode ser totalmente verdadeira. Também é infalsificável de fora, porque "roda localmente" em uma publicação de fornecedor pode significar "nossos pesquisadores o demonstraram em um laptop" em vez de "você o executará no seu". Até que haja um arquivo de pesos ou um instalador, a leitura honesta é a primeira.

Ouve-se, conversa-se.

A diferença arquitetural é mais acentuada do que a lacuna de parâmetros. O Gemma 4 12B é um leitor multimodal: entram texto, imagem, áudio e vídeo; sai texto. Sua entrada de áudio é limitada a 30 segundos por clipe, e sua entrada de vídeo a cerca de 60 segundos a um quadro por segundo. Dentro desses limites, ele pode transcrever, traduzir, descrever, responder perguntas sobre uma gravação e extrair dados estruturados. Em outras palavras, é extremamente bom em transformar uma porção delimitada do mundo em texto.

Dessa é um fluxo conversacional: áudio entra, áudio sai, sem nenhuma etapa de texto. Não há transcrição para inspecionar, nem fronteira de token, nem etapa separada de síntese. A alegação da Block é que isso preserva prosódia, risos, suspiros e ritmo que um pipeline de fala-para-texto-para-fala achata. Suas demonstrações mostram o modelo rindo no meio da frase, igualando o volume e completando o título de um filme que o falante esqueceu.

A consequência prática é que os dois modelos não são substituíveis no nível da API. Você não pode enviar um PDF para o Dessa. Você não pode pedir para interromper o Gemma 4 12B no meio da resposta, porque ele não produz um fluxo de áudio para interromper. Um produto de voz construído sobre o Gemma precisa de pelo menos mais dois componentes; um produto de documentos construído sobre o Dessa não é possível de forma alguma.

A ficha técnica, com ambos os lados na mesma linha

Os números abaixo são informados pelos fornecedores, salvo indicação em contrário. Os da Gemma vêm do model card do Google; os da Dessa vêm da página de anúncio da Block, que divulga muito menos.

• Parâmetros — Gemma 4 12B 11.95B denso vs Dessa não divulgado.

• Pesos — download do Gemma 4 12B Apache 2.0 vs Dessa, nenhum publicado.

• Contexto — Gemma 4 12B 262.144 tokens vs. Dessa não informado, e não há interface de tokens para medir isso em comparação.

• Entrada — Gemma 4 12B: texto, imagem, áudio de até 30 segundos, vídeo de até cerca de 60 segundos vs Dessa, um fluxo de áudio ao vivo.

• Saída — texto do Gemma 4 12B vs. áudio do Dessa.

• Interação — solicitação e resposta por turnos do Gemma 4 12B vs Dessa em full-duplex, com interrupção e sinais de acompanhamento.

• Hardware — Gemma 4 12B, aproximadamente 16 GB de memória unificada, vs. Dessa, um MacBook Pro M4 Max ou melhor, segundo o Block.

• Preço — Gemma 4 12B gratuito para baixar; as tarifas de hospedagem em provedores terceirizados ficam em torno de US$ 0,10 de entrada e US$ 0,30 de saída por milhão de tokens, contra nenhum preço da Dessa.

• Benchmarks — tabela de fornecedor publicada do Gemma 4 12B vs. nenhuma da Dessa.

• Disponibilidade — Gemma 4 12B disponível para o público em geral desde junho de 2026, em comparação com a lista de espera do Dessa e uma pequena prévia para pesquisadores de segurança.

Onde o Gemma 4 12B vence por padrão

Comece pelos números que o Google publicou, todos relatados pelo fornecedor e não reproduzidos aqui: MMLU-Pro 77.2, GPQA Diamond 78.8, AIME 2026 77.5 sem ferramentas, LiveCodeBench v6 72.0, Codeforces Elo 1659, Tau2 69.0, MMMU-Pro 69.1 e HLE 5.2. O padrão é um modelo de porte médio que é forte para sua categoria em raciocínio e visão, fraco nas questões de fronteira mais difíceis e competente no uso de ferramentas. Uma janela de contexto de 256K e chamada de função nativa tornam-no um backbone plausível para um agente que lê um documento longo e depois age.

A Artificial Analysis, que é independente do Google, estima a variante de raciocínio em 14 no seu Intelligence Index — marcada como uma estimativa, e não como uma execução medida, e bem acima da mediana de 8 para modelos abertos comparáveis. Isso é um corretivo útil para a tabela do fornecedor: um modelo de porte médio, classificado na faixa intermediária por um terceiro.

Os números de áudio dele são mais modestos e mais relevantes para esta comparação. O CoVoST fica em 38,5 e o FLEURS em 0,069 (quanto menor, melhor), ambos relatados pelo fornecedor, com o valor do CoVoST excluindo o chinês. Essas são métricas de tradução e reconhecimento de fala, não de qualidade conversacional. O Gemma consegue ouvir um clipe de 30 segundos e dizer o que foi dito. Ele não consegue manter uma chamada ao vivo.

A licença é o elemento que determina a maioria das questões comerciais. A Apache 2.0 não impõe limiar de receita, negociação de uso aceitável nem autorização do fornecedor para um ajuste fino. Para uma equipa que quer controlar o seu próprio percurso de inferência, isso vale mais do que uma demonstração melhor.

Para onde as demos de Dessa apontam, se se mantiverem

A afirmação interessante não é que a Dessa soe humana. É que remover o gargalo do texto elimina uma categoria de falha. Um pipeline que transcreve primeiro precisa decidir quando você terminou de falar; ele se compromete com uma transcrição antes de conseguir responder; ele perde o suspiro. Um modelo duplex nunca assume esse compromisso. Se os clipes da Block forem representativos, o resultado é uma conversa que tolera sobreposição — você pode falar por cima dela, e ela pode falar por cima de você.

O que falta é qualquer forma de saber se os clipes são representativos. A Block diz que ninguém direciona o modelo e que as legendas foram adicionadas depois, o que descarta a encenação mais grosseira. Ela não publica um conjunto reservado, uma distribuição de latência, uma taxa de recuperação de interrupções nem uma pontuação de inteligibilidade sob ruído. O The Verge achou as mesmas demonstrações “um pouco estranhas e inquietantes”, incluindo um clipe em que o modelo chama seu parceiro de “Ronaldo”. Um vídeo compilado e selecionado pode sobreviver a isso; um produto tem de sobreviver.

Construindo um loop de voz em torno do Gemma hoje

Se você quiser um agente de voz agora, a arquitetura é reconhecimento de fala, depois Gemma 4 12B, depois síntese de fala. O modelo cuida da compreensão, do raciocínio e do texto da resposta; os serviços ao redor cuidam do áudio. O orçamento de latência é dominado pelas duas pontas, não pelo meio: detecção de endpoint mais síntese costuma consumir mais tempo total do que o primeiro token do modelo de linguagem.

O OrcaRouter é útil no meio desse loop por um motivo diferente. Uma única API na frente de mais de 200 modelos significa que a etapa de raciocínio pode ser trocada sem reescrever a aplicação, e o failover automático significa que um soluço de um provedor não encerra a chamada. O modelo de 0% de markup — preço de tabela do provedor repassado — importa quando um fornecedor corta um preço, porque o corte fica ativo do nosso lado no mesmo dia. Uma ressalva honesta: roteamos o Gemma 4 26B A4B e o Gemma 4 31B, não o 12B, que é um modelo de baixar e hospedar. Se você quiser o 12B por trás de uma API, essa é uma decisão de hospedagem de terceiros, não nossa.

Escolher por restrição

• Você precisa entregar texto ou saída multimodal agora — Gemma 4 12B, sem uma alternativa séria neste par.

• Você precisa de inferência offline em hardware que você controla — Gemma 4 12B, porque os pesos existem.

• Você precisa entender um documento, uma imagem ou uma gravação de 30 segundos — Gemma 4 12B.

• Você precisa de uma voz ao vivo que possa ser interrompida — Dessa é a única das duas voltada para isso, e ela não está disponível.

• Você precisa de expressividade emocional no áudio de saída — as demos da Dessa são a evidência, e elas são selecionadas pelo fornecedor.

• Você precisa de uma licença que possa passar pelo setor de compras — a Apache 2.0 do Gemma 4 12B é a única licença disponível.

O que tornaria isto uma comparação de verdade?

Três coisas mudariam a resposta. Uma API da Dessa, para que os dois pudessem ser medidos nas mesmas conversas. Uma contagem de parâmetros e um valor de latência publicados, para que a alegação sobre o laptop pudesse ser reproduzida. Ou um modelo nativo de fala com pesos abertos de outra pessoa, o que transformaria "Dessa vs Gemma" em uma comparação de arquiteturas, e não de disponibilidade.

Até lá, o resumo justo é que o Gemma 4 12B é um modelo multimodal local capaz, com um gargalo de texto que ele não consegue eliminar, e o Dessa é uma tentativa promissora de eliminar esse gargalo sem nenhuma forma pública de verificar o resultado. O primeiro é uma ferramenta. O segundo é uma hipótese com excelente qualidade de produção.