AstaBrief 8B vs Gemma 4 12B: En specialiserad skribent mot en generalist som gör allt

AstaBrief 8B och Gemma 4 12B tillhör samma storleksklass och har samma licens, och bortom det är de svar på olika frågor. AstaBrief 8B är Ai2:s 8B-modell med öppna vikter, släppt 2026-10-02 och finjusterad från Qwen3-8B, som gör en enda sak: förvandlar en forskningsfråga och hämtade litteraturutdrag till en citerad rapport, i ett svep, på omkring 51 sekunder från början till slut. Gemma 4 12B är DeepMinds 11,95B enhetliga multimodala modell, en Apache-2.0-generalist som tar text, bilder, ljud och video nativt och hanterar 256 000 tokens kontext. Den ena är en skalpell som utför ett enda jobb snabbare än den allmänna pipeline den ersatte; den andra är hela verktygslådan, på enheten.

Frestelsen är att utropa specialisten till bättre på sin uppgift och gå vidare. Den mer användbara frågan, om du driftsätter på en enda konsument-GPU, är om den smala modellens fördel är tillräckligt stor för att motivera att köra två stackar i stället för en — och svaret hänger på siffror som inget av labben har fått oberoende verifierade.

De delar som verkligen överlappar

Båda är täta modeller med öppna vikter som du kan hålla på ett enda kort, båda är Apache-2.0, och båda finns tillgängliga för nedladdning i stället för bakom ett API. Så mycket är verklig överlappning, och det är anledningen till att jämförelsen överhuvudtaget är värd att göra.

Utöver det är divergensen total, och två rader gör det mesta av arbetet.

• Parametrar — AstaBrief 8B: ungefär 8B dense, BF16-vikter i single-GPU-klassen. Gemma 4 12B: 11,95B dense, encoder-fri enhetlig arkitektur.

• Modaliteter i — AstaBrief 8B: endast text, och specifikt en fråga plus utdrag. Gemma 4 12B: text, bild, ljud och video, med ljud och vision projicerade direkt in i avkodarens inbäddningsutrymme genom lättviktiga linjära lager i stället för separata enkodare.

• Modaliteter ut – Båda: text. AstaBrief 8B genererar en rapport med citeringar; Gemma 4 12B genererar oformaterad text i vilken form du än ber om.

• Kontext — AstaBrief 8B: basmodellens tak på 40 960 token för positioner, tränad vid 32K. Gemma 4 12B: 256 000 token, med ett hybridattentionsschema som varvar lokal attention med glidande fönster (fönster på 1024 token) med global attention, och proportionell RoPE på de globala lagren för att hålla långkontextminnet i schack.

• Träning — AstaBrief 8B: övervakad finjustering på 47K rapportexempel, sedan omkring 6K DPO-par, på åtta H100. Gemma 4 12B: Google DeepMinds allmänna förträning plus instruktionstrimning, dokumenterat i en teknisk rapport.

• Jobb — AstaBrief 8B: en uppgift, rapportgenerering med citeringar. Gemma 4 12B: resonemang, kodning, agentiska arbetsflöden, flerspråkig chatt över 140+ språk.

• Oberoende resultat — Inga för AstaBrief 8B utöver Ai2:s egna tabeller. Gemma 4 12B finns på offentliga topplistor, inklusive Artificial Analysis, där den lanserade modellfamiljen poängsätts; dessa är tredjepartssiffror och de enda i den här artikeln som inte tillhandahålls av en leverantör.

Läs kontextraden som den strukturella skillnaden snarare än en specifikationspunkt. AstaBrief 8B:s 40K-tak är inte en begränsning som Ai2 arbetar runt; det är en konsekvens av designen. Modellen håller aldrig en korpus, bara utdrag som någon annan har valt ut och dimensionerat. Gemma 4 12B:s 256K-fönster innebär att samma uppgift kan angripas helt utan ett hämtningslager – klistra in en stor mängd material och fråga – vilket är en genuint annan arkitektur för samma resultat, och en som reducerar två system till ett.

Där specialisten vinner, och med hur mycket

Ai2:s argument för AstaBrief är en klocka, och det är ett bra sådant. Dess Claude-drivna Thinking-pipeline tog i genomsnitt 178,5 sekunder per rapport; AstaBrief, som skriver hela rapporten i ett enda pass, tar i genomsnitt 51,1 sekunder, ungefär 3,5 gånger snabbare, och Ai2 hävdar att förenklingen inte försämrade kvaliteten på de mätvärden man följer.

Företaget som spelar roll här är inte Claude. Det är själva den flerstegsstödstrukturen — sammanfattning av utdrag, tematisk klustring och avsnittsvis skrivning — allt som AstaBrief tar bort. Och den stödstrukturen är samma arbete som du annars skulle behöva bygga ovanpå vilken generalist som helst, inklusive Gemma 4 12B, om du ville få en strukturerad, citerad rapport ut ur den. En generalist som ombeds om "en citerad rapport" kommer att producera en; att få den att producera en enligt ett fast schema, med citeringsnycklar som matchar källistan, är prompt engineering som du äger och underhåller.

Kvalitetspåståendet är där du måste sakta ner.

• SQABench-CS2 genomsnitt, testdel (leverantörsrapporterad) — AstaBrief 8B 87,0, dess egen SFT-checkpoint 83,7, basmodell Qwen3-8B 77,3. 100 användarskrivna datavetenskapliga frågor.

• DeepScholarBench (enligt leverantören) — AstaBrief 8B 53,50, bakom Ai2:s egen Asta ScholarQA på 60,25 och DR-Tulu-8B på 56,26.

• Parvis mot Ai2:s Claude-drivna pipeline (leverantörsrapporterat) — 55 % vinster på dev-spliten, 72 % på test.

• Mänsklig studie (leverantörsrapporterad) — 14 frågor från tre forskare, DR-Tulu föredrogs överlag, två av de tre angav AstaBriefs citeringsnoggrannhet.

Det finns ingen motsvarande poäng för Gemma 4 12B på SQABench-CS2, åt endera hållet. Den frånvaron är den ärliga kärnan i den här jämförelsen: du kan inte sätta en siffra på Gemma 4 12B:s rapportkvalitet jämfört med AstaBrief 8B:s, eftersom ingen har kört generalisten genom Ai2:s testramverk och ingen låtsas att man har gjort det. Den som säger att specialisten är "26 poäng bättre" jämför en leverantörssiffra med ingenting.

Där generalisten vinner klart

Gemma 4 12B:s fördelar är inte marginella och de är lätta att underskatta.

Det första är bredd. AstaBrief 8B är en komponent som förväntar sig att få underlag. Gemma 4 12B läser skärmdumpar, lyssnar på ljud, tittar på video, skriver kod och håller en 256K-konversation. Om ditt arbete involverar figurer i artiklar, inspelade föredrag eller multimodalt källmaterial kan specialisten inte delta alls och frågan är stängd.

Det andra är att bred offentlig exponering i sig är en form av bevis. Gemma 4 12B finns på leaderboards från tredje part; familjen omfattar fem storlekar, från E2B till 31B; både de instruktionstränade och de förtränade varianterna är publicerade tillsammans med en teknisk rapport. Det är normal, tråkig, verifierbar härkomst – vilket är precis vad både AstaBrief 8B och den bredare klassen av specialiserade forskningsmodeller saknar.

Den tredje är den praktiska kostnaden för en andra stack. Att köra AstaBrief 8B för rapportskrivning plus en generalist för allt annat innebär två modeller i minnet, två promptformat, två utvärderingsramverk och två uppgraderingsvägar. På ett enda 24GB-kort i BF16 är det inte gratis — och AstaBriefs modellkort varnar för att den har finjusterats mot ett specifikt promptformat, publicerat som en datauppsättningsfil, och att använda ett annat kan försämra beteendet. En generalist har ingen sådan inlåsning.

• Gemma 4 12B (enligt leverantören) — intelligensindex 9 för Reasoning-konfigurationen; det finns ingen jämförbar Gemma-siffra i Ai2:s benchmarks i rapporten.

• Gemma 4-familjen — fem storlekar från E2B till 31B, Apache-2.0, teknisk rapport publicerad, närvaro på tredjepartsleaderboard.

• Gemma 4 26B A4B, som erbjuds i vår katalog — $0,06 per miljon indatatokens, $0,33 per miljon utdatatokens, kontextfönster på 262 144 tokens. Gemma 4 31B routas också, till $0,13 / $0,38.

• Gemma 4 12B, lokal — 11,95B tät, 256K kontext, hybrid glidande fönster och global uppmärksamhet, lokalt fönster på 1024 token.

Vad gäller tillgänglighet finns Gemma 4-modellerna kommersiellt tillgängliga som värdtjänster: Gemma 4 26B A4B är en aktiv rutt i vår katalog till 0,06 USD per miljon indatatoken och 0,33 USD per miljon utdatatoken, med ett kontextfönster på 262 144 token, och Gemma 4 31B är också ruttad. Det spelar roll eftersom det innebär att du kan utvärdera generalistarmen utan att äga en GPU överhuvudtaget. Ingen leverantör i vår katalog tillhandahåller AstaBrief 8B, inte heller vi — det är en modell som laddas ner och körs, och det ärliga sättet att använda den är på hårdvara du kontrollerar, eller inuti Ai2:s egen Asta-produkt.

Att själv köra jämförelsen, billigt

Det beslut som den här artikeln inte kan fatta åt dig är det du kan fatta på en eftermiddag, eftersom experimentet är asymmetriskt i kostnad. AstaBrief 8B behöver lokala vikter och sitt publicerade promptformat; du kan sätta upp den på ett enda kort med vLLM i den konfiguration som Ai2 dokumenterar, temperature 0.7 och top-p 0.95. Generalistarmen kan vara ett hostat anrop – Gemma 4 26B A4B till $0.06 in och $0.33 ut per miljon tokens är tillräckligt nära i andan för att kalibrera mot, och du kan rikta din egen testrigg mot båda utan att äga den andra GPU:n.

Mät sedan det som leverantörstabellerna inte mäter: på dina frågor, med dina utdrag, hur många rapporter som kommer tillbaka korrekt citerade och hur lång tid hela kedjan tar när du väl har lagt till limmet för citeringsschemat på generalistsidan. Ai2:s 3,5x är mätt mot Ai2:s egen pipeline, inte mot Gemma 4 12B, och den klyftan kommer att se annorlunda ut i din stack.

Att hålla generalistdelen bakom en enda slutpunkt är det som gör det billigt att upprepa i stället för ett engångsprojekt: ett API för över 200 modeller, leverantörens listpris förs vidare med 0 % påslag så att en leverantörsprissänkning hamnar på din faktura samma dag, automatisk failover när en leverantör försämras, och ett routing-DSL om du vill att flera modeller svarar tillsammans. Poängen är inte lojalitet mot någon av modellerna; det är att köra om jämförelsen nästa kvartal bör vara en konfigurationsändring, eftersom båda dessa modeller kommer att ersättas.

Vilken du faktiskt bör ladda ner

Välj AstaBrief 8B om leveransen är en forskningsrapport med källhänvisningar och du har ett retrieval-lager som förser den. Designen med ett enda pass är en riktig ingenjörsbedrift, minskningen av genereringstiden med 3,5x är anledningen till att den finns, Apache-2.0 plus publicerad träningsdata gör den granskningsbar, och ingen generalistmodell kommer att matcha dess utdatastruktur utan att du själv bygger och underhåller stödstrukturen.

Välj Gemma 4 12B om ditt arbete är bredare än rapporter, om dina källor är multimodala, om 256K kontext gör att du helt kan hoppa över att bygga ett retrieval-lager, eller om du vill ha modellen som har tredjepartspoäng kopplade till sitt namn och en hostad rutt du kan anropa idag.

Och notera den ärliga asymmetrin i bevisningen, för den talar emot specialisten: AstaBrief 8B:s siffror, inklusive dess egna mest välklingande, kommer från Ai2, beskriver en jämförelseuppsättning från 2025 som labbet säger sig inte ha kört om, och omfattar en mänsklig studie med fjorton frågor. Gemma 4 12B:s siffror kommer från personer som inte arbetar på Google. Den skillnaden i proveniens är värd mer än några poäng på ett benchmark som ingen har kört på båda.