Dessa vs Gemma 4 12B: две модели для ноутбуков, но скачать можно только одну

Самое полезное сравнение между Dessa и Gemma 4 12B — это не оценка в бенчмарке. Это файл. Gemma 4 12B — модель с открытыми весами на 11,95 млрд параметров от Google DeepMind, опубликованная как Gemma 4 12B Unified по лицензии Apache 2.0 от 3 июня 2026 года — это контрольная точка, которую можно скачать сегодня днём, запустить на ноутбуке с 16 ГБ и дообучить, ни у кого не спрашивая. Dessa, о которой Block объявила 23 октября 2026 года, — это полнодуплексная речевая модель, которая, по словам производителя, работает на MacBook Pro M4 Max, только вот скачать её, вызвать или изучить нельзя. Она находится за списком ожидания: ни весов, ни API, ни цены, ни опубликованного числа параметров.

Обе продаются как локальные модели. Но фактически распространяется только одна из них. Это различие организует всё остальное: что можно построить, что можно измерить и что вообще означает «работает на ноутбуке».

Короткий ответ — и почему он короткий.

Если ваша цель — выпустить в этом квартале что-то, что обрабатывает текст, изображения, аудио или видео, то Gemma 4 12B — единственный из этих двух, кто представляет собой продукт, который можно использовать. Если ваша цель — изучать полнодуплексную речь — модель, которая слушает, пока говорит, вставляет реплики и позволяет себя перебивать, не теряя нить разговора, — то Dessa представляет собой более интересный артефакт, но получить его пока нельзя.

Это звучит как отмахивание. Скорее это описание двух разных стадий зрелости. Gemma 4 12B — готовый открытый релиз с лицензией, карточкой модели и таблицей бенчмарков. Dessa — исследовательский предпросмотр с демонстрационным роликом. Сравнивать их по возможностям — всё равно что сравнивать серийную камеру с лабораторным прототипом: у прототипа может быть лучший сенсор, но только одна из них делает фотографию, которую можно сохранить.

Два значения слова «local»

Локальная история Gemma 4 12B вполне конкретна. Это плотная модель только с декодером и унифицированной архитектурой без энкодера: 48 слоёв, патчи изображения проецируются напрямую, аудио обрабатывается без отдельного энкодера. Google позиционирует её для примерно 16 ГБ унифицированной памяти, а веса доступны на Hugging Face в BF16, вслед за ними появляются GGUF, MLX и другие сборки сообщества. Её можно запустить офлайн, в самолёте, без аккаунта.

Локальная история Dessa — это одно предложение на странице: инференс работает быстрее реального времени на MacBook Pro M4 Max или мощнее. Там нет ни цифры по памяти, ни квантования, ни размера файла, ни загрузки. Утверждение может быть полностью правдивым. Его также невозможно опровергнуть извне, потому что «работает локально» в публикации вендора может означать «наши исследователи продемонстрировали это на ноутбуке», а не «вы запустите это на своём». Пока нет файла весов или установщика, честная трактовка — первая.

Слышишь — беседуешь.

Архитектурная разница заметнее, чем разрыв в количестве параметров. Gemma 4 12B — мультимодальный ридер: на вход подаются текст, изображение, аудио и видео; на выходе получается текст. Ввод аудио ограничен 30 секундами на клип, а ввод видео — примерно 60 секундами при одном кадре в секунду. В этих пределах он может транскрибировать, переводить, описывать, отвечать на вопросы о записи и извлекать структурированные данные. Иными словами, он чрезвычайно хорош в превращении ограниченного фрагмента мира в текст.

Dessa — это разговорный поток: аудио на входе, аудио на выходе, без какого-либо текстового этапа. Нет транскрипта для просмотра, нет границ токенов и нет отдельного этапа синтеза. Block утверждает, что это сохраняет просодию, смех, вздохи и тайминг, которые конвейер «речь — текст — речь» сглаживает. В её демонстрациях модель смеётся посреди предложения, подстраивается под громкость и договаривает забытое название фильма за говорящего.

Практическое следствие состоит в том, что эти две модели не являются взаимозаменяемыми на уровне API. Вы не можете отправить Dessa PDF-файл. Вы не можете попросить Gemma 4 12B прервать ответ на середине, потому что она не создаёт аудиопоток, который можно было бы прервать. Голосовому продукту, построенному на Gemma, требуется как минимум ещё два компонента; документный продукт, построенный на Dessa, невозможен в принципе.

Спецификация, в которой обе стороны находятся в одной строке

Цифры ниже приведены по данным поставщиков, если не указано иное. Данные Gemma взяты из карточки модели Google; данные Dessa — со страницы анонса Block, где публикуется гораздо меньше.

• Параметры — Gemma 4 12B 11.95B dense против Dessa: не раскрыто.

• Веса — Gemma 4 12B Apache 2.0 можно скачать, против Dessa — не опубликованы.

• Контекст — Gemma 4 12B: 262,144 токена против Dessa — не указано, и нет интерфейса токенов, чтобы это измерить.

• Ввод — Gemma 4 12B: текст, изображение, аудио до 30 секунд, видео до примерно 60 секунд; Dessa — поток живого аудио.

• Вывод — текст Gemma 4 12B против аудио Dessa.

• Взаимодействие — Gemma 4 12B: поочерёдные запрос и ответ vs Dessa: полнодуплексный режим с перебиванием и поддерживающими репликами.

• Аппаратное обеспечение — Gemma 4 12B требует примерно 16 ГБ унифицированной памяти, тогда как для Dessa нужен MacBook Pro M4 Max или мощнее, по данным Block.

• Цена — Gemma 4 12B можно скачать бесплатно; у сторонних провайдеров тарифы на хостинг в основном составляют около $0.10 за входные и $0.30 за выходные данные за миллион токенов, тогда как у Dessa цены нет.

• Бенчмарки — Gemma 4 12B: опубликованная таблица производителя, у Dessa — нет.

• Доступность — Gemma 4 12B общедоступна с июня 2026 года, тогда как Dessa — лист ожидания и ограниченный предварительный доступ для исследователей безопасности.

Где Gemma 4 12B выигрывает по умолчанию

Начнём с цифр, опубликованных Google, — все они заявлены вендором и здесь не воспроизведены: MMLU-Pro 77.2, GPQA Diamond 78.8, AIME 2026 77.5 без инструментов, LiveCodeBench v6 72.0, Codeforces Elo 1659, Tau2 69.0, MMMU-Pro 69.1 и HLE 5.2. Картина такова: это модель среднего размера, которая сильна для своего класса в рассуждениях и визуальном восприятии, слаба на самых трудных передовых вопросах и компетентна в использовании инструментов. Окно контекста в 256K и нативный вызов функций делают её разумной основой для агента, который читает длинный документ, а затем действует.

Независимая от Google организация Artificial Analysis оценивает вариант с рассуждениями в 14 баллов по своему Intelligence Index — с пометкой «оценка», а не измеренный прогон, и это значительно выше медианы 8 для сопоставимых открытых моделей. Это полезная поправка к таблице поставщика: модель среднего размера, которую третья сторона относит к середине рейтинга.

Его аудиопоказатели скромнее и уместнее для этого сравнения. CoVoST — 38,5, FLEURS — 0,069 (чем ниже, тем лучше), оба показателя заявлены производителем, причём показатель CoVoST приведён без китайского. Это метрики перевода и распознавания речи, а не качества разговора. Gemma может прослушать 30-секундный фрагмент и сказать, что было сказано. Она не может вести живой звонок.

Лицензия — это то, что решает большинство коммерческих вопросов. Apache 2.0 означает отсутствие порога по выручке, отсутствие переговоров о допустимом использовании и отсутствие разрешения поставщика на дообучение. Для команды, которая хочет контролировать собственный путь инференса, это ценнее, чем более удачное демо.

Куда указывают демозаписи Dessa, если они выдержат

Интересное утверждение заключается не в том, что Dessa звучит как человек. А в том, что устранение текстового узкого места устраняет целую категорию сбоев. Конвейер, который сначала транскрибирует, должен решить, когда вы закончили говорить; он фиксирует транскрипт до того, как сможет ответить; он теряет вздох. Дуплексная модель никогда не делает такого выбора. Если клипы Block репрезентативны, результатом становится разговор, допускающий перекрытие речи — вы можете говорить поверх неё, и она может говорить поверх вас.

Чего не хватает, так это способа понять, репрезентативны ли эти клипы. Block говорит, что никто не управляет моделью и что субтитры были добавлены позже, а это исключает самую грубую инсценировку. Компания не публикует отложенную выборку, распределение задержек, показатель восстановления после прерываний или оценку разборчивости в шуме. The Verge обнаружил, что те же демонстрации «немного неловкие и жутковатые», включая клип, где модель называет своего партнёра «Роналду». Подготовленный ролик может это выдержать; продукт должен.

Сегодня создаём голосовой цикл вокруг Gemma

Если вам нужен голосовой агент уже сейчас, архитектура такая: распознавание речи, затем Gemma 4 12B, затем синтез речи. Модель отвечает за понимание, рассуждение и текст ответа; окружающие сервисы отвечают за аудио. Бюджет задержки определяется двумя краями, а не серединой: обнаружение конечной точки плюс синтез обычно занимают больше реального времени, чем первый токен языковой модели.

OrcaRouter полезен в середине этого цикла по другой причине. Один API перед более чем 200 моделями означает, что шаг рассуждения можно заменить, не переписывая приложение, а автоматическое переключение при сбое означает, что сбой у провайдера не прерывает вызов. Модель с 0% наценки — прайс-лист провайдера передаётся как есть — важна, когда вендор снижает цену, потому что снижение действует на нашей стороне в тот же день. Одна честная оговорка: мы маршрутизируем Gemma 4 26B A4B и Gemma 4 31B, но не 12B, которая представляет собой модель для скачивания и самостоятельного размещения. Если вы хотите 12B за API, это решение о хостинге у третьей стороны, а не у нас.

Выбор по ограничению

• Вам нужно прямо сейчас выпустить текстовый или мультимодальный вывод — Gemma 4 12B, без серьёзной альтернативы в этой паре.

• Вам нужен офлайн-инференс на оборудовании, которое вы контролируете, — Gemma 4 12B, потому что веса существуют.

• Нужно понять документ, изображение или 30-секундную запись — Gemma 4 12B.

• Вам нужен живой голос, который можно прервать — Dessa — единственная из двух, ориентированная на это, и она недоступна.

Вам нужна эмоциональная выразительность в выходном аудио — демо Dessa служат доказательством, и они выбраны поставщиком.

• Вам нужна лицензия, которую можно провести через закупочные процедуры, — Apache 2.0 в Gemma 4 12B — единственная лицензия из доступных.

Что сделало бы это настоящим сравнением?

Три вещи изменили бы ответ. API Dessa, чтобы эти две модели можно было измерять на одних и тех же разговорах. Опубликованные число параметров и показатель задержки, чтобы можно было воспроизвести утверждение о ноутбуке. Или речевая нативная модель с открытыми весами от кого-то другого, что превратило бы «Dessa против Gemma» в сравнение архитектур, а не в сравнение доступности.

До тех пор справедливое резюме таково: Gemma 4 12B — дееспособная локальная мультимодальная модель с текстовым узким местом, которое она не может устранить, а Dessa — многообещающая попытка устранить это узкое место, но без публичного способа проверить результат. Первая — инструмент. Вторая — гипотеза с превосходным качеством исполнения.