Dessa vs Gemma 4 12B: Två laptopmodeller, bara en du kan ladda ner

Den mest användbara jämförelsen mellan Dessa och Gemma 4 12B är inte en benchmarkpoäng. Det är en fil. Gemma 4 12B – Google DeepMinds modell med öppna vikter och 11,95 miljarder parametrar, publicerad som Gemma 4 12B Unified under Apache 2.0 den 3 juni 2026 – är en checkpoint som du kan ladda ner i eftermiddag, köra på en 16 GB-laptop och finjustera utan att fråga någon. Dessa, som Block tillkännagav den 23 oktober 2026, är en full-duplex talmodell som enligt tillverkaren körs på en MacBook Pro M4 Max, förutom att du inte kan ladda ner den, anropa den eller inspektera den. Den ligger bakom en väntelista utan vikter, utan API, utan pris och utan publicerat parameterantal.

Båda säljs som lokala modeller. Endast en av dem distribueras faktiskt. Den skillnaden organiserar allt annat: vad du kan bygga, vad du kan mäta, och vad "körs på en laptop" ens betyder.

Det korta svaret, och varför det är kort

Om ditt mål är att leverera något det här kvartalet som bearbetar text, bilder, ljud eller video är Gemma 4 12B den enda av de två som är en produkt du kan använda. Om ditt mål är att studera full-duplex-tal – en modell som lyssnar medan den talar, gör inpass och avbryts utan att tappa tråden – är Dessa den mer intressanta artefakten, och du kan inte få den än.

Det låter som ett avfärdande. Det är närmare en beskrivning av två olika mognadsstadier. Gemma 4 12B är en färdig öppen release med en licens, ett modellkort och en benchmarktabell. Dessa är en forskningsförhandsvisning med en demoreel. Att jämföra dem efter förmåga är som att jämföra en levererad kamera med en labbprototyp: prototypen kan ha den bättre sensorn, men bara en av dem tar ett fotografi som du kan behålla.

Två betydelser av ”local”

Den lokala berättelsen för Gemma 4 12B är konkret. Det är en dense decoder-only-modell med en enhetlig arkitektur utan encoder – 48 lager, bildpatcher som projiceras direkt, ljud som hanteras utan en separat encoder. Google positionerar den för ungefär 16 GB enhetligt minne, och vikterna finns på Hugging Face i BF16, med GGUF, MLX och andra community-byggen som följer. Du kan köra den offline, på ett flygplan, utan konto.

Den lokala berättelsen från Dessa är en mening på en sida: inferens körs snabbare än realtid på en MacBook Pro M4 Max eller bättre. Det finns ingen minnessiffra, ingen kvantisering, ingen filstorlek och ingen nedladdning. Påståendet kan vara helt sant. Det är också omöjligt att motbevisa utifrån, eftersom "körs lokalt" i ett inlägg från en leverantör kan betyda "våra forskare demonstrerade det på en bärbar dator" snarare än "du kommer att köra det på din". Tills det finns en viktfil eller ett installationsprogram är den ärliga tolkningen den första.

Man hör, man samtalar

Den arkitektoniska skillnaden är skarpare än parameterklyftan. Gemma 4 12B är en multimodell läsare: text, bild, ljud och video går in; text kommer ut. Dess ljudinmatning är begränsad till 30 sekunder per klipp, och videoinmatningen till ungefär 60 sekunder vid en bildruta per sekund. Inom dessa gränser kan den transkribera, översätta, beskriva, besvara frågor om en inspelning och extrahera strukturerad data. Med andra ord är den extremt bra på att förvandla en avgränsad del av världen till text.

Dessa är en samtalsström: ljud in, ljud ut, utan något textsteg alls. Det finns ingen transkription att granska, ingen token-gräns och inget separat syntessteg. Blocks påstående är att detta bevarar prosodi, skratt, suckar och timing som en pipeline från tal till text till tal plattar ut. Deras demonstrationer visar modellen skratta mitt i en mening, matcha volym och fylla i en talares bortglömda filmtitel.

Den praktiska konsekvensen är att de två modellerna inte är utbytbara på API-nivå. Du kan inte skicka en PDF till Dessa. Du kan inte be Gemma 4 12B att avbrytas mitt i ett svar, eftersom den inte producerar någon ljudström att avbryta. En röstprodukt byggd på Gemma behöver minst två komponenter till; en dokumentprodukt byggd på Dessa är inte möjlig överhuvudtaget.

Databladet, med båda sidorna på samma rad

Siffrorna nedan är leverantörsrapporterade om inte annat anges. Gemmas kommer från Googles modellkort; Dessas kommer från Blocks tillkännagivandesida, som publicerar betydligt mindre.

• Parametrar — Gemma 4 12B 11.95B dense vs Dessa ej angivet.

• Vikter — Gemma 4 12B Apache 2.0-nedladdning mot Dessa: inga publicerade.

• Kontext — Gemma 4 12B 262 144 token jämfört med Dessa, som inte anges, och inget token-gränssnitt att mäta det mot.

• Indata – Gemma 4 12B text, bild, ljud upp till 30 sekunder, video upp till cirka 60 sekunder jämfört med Dessa, en live-ljudström.

• Utdata — Gemma 4 12B text vs Dessa audio.

• Interaktion – Gemma 4 12B turordningsbaserad begäran och svar jämfört med Dessa full-duplex, med inbrytning och backchannel.

• Hårdvara — Gemma 4 12B ungefär 16 GB enhetligt minne jämfört med Dessa en MacBook Pro M4 Max eller bättre, enligt Block.

• Pris — Gemma 4 12B är gratis att ladda ner; priser för hosting hos tredjepartsleverantörer ligger på omkring $0,10 för indata och $0,30 för utdata per miljon token, jämfört med Dessa som saknar pris.

• Prestandamätningar — Gemma 4 12B en publicerad leverantörstabell jämfört med Dessa: ingen.

• Tillgänglighet — Gemma 4 12B allmänt tillgänglig sedan juni 2026 jämfört med Dessas väntelista och en liten förhandsvisning för säkerhetsforskare.

Där Gemma 4 12B vinner som standard

Börja med siffrorna som Google publicerade, alla rapporterade av leverantören och inte reproducerade här: MMLU-Pro 77,2, GPQA Diamond 78,8, AIME 2026 77,5 utan verktyg, LiveCodeBench v6 72,0, Codeforces Elo 1659, Tau2 69,0, MMMU-Pro 69,1 och HLE 5,2. Mönstret är en medelstor modell som är stark för sin klass inom resonemang och vision, svag på de svåraste frontlinjefrågorna och kompetent på verktygsanvändning. Ett kontextfönster på 256K och inbyggt funktionsanrop gör den till en rimlig ryggrad för en agent som läser ett långt dokument och sedan agerar.

Artificial Analysis, som är oberoende av Google, uppskattar resonemangsvarianten till 14 på sitt Intelligence Index – markerad som en uppskattning snarare än en uppmätt körning och väl över medianen på 8 för jämförbara öppna modeller. Det är en användbar korrigering av leverantörens tabell: en medelstor modell, bedömd som medelmåttig av en tredje part.

Dess ljudsiffror är mer blygsamma och mer relevanta för den här jämförelsen. CoVoST ligger på 38,5 och FLEURS på 0,069 (lägre är bättre), båda rapporterade av leverantören, där CoVoST-siffran exkluderar kinesiska. Det är mått för talöversättning och taligenkänning, inte samtalskvalitet. Gemma kan höra ett 30-sekundersklipp och berätta vad som sades. Det kan inte föra ett samtal i realtid.

Licensen är den del som avgör de flesta kommersiella frågor. Apache 2.0 innebär ingen intäktsgräns, ingen förhandling om godtagbar användning och inget leverantörstillstånd för en finjustering. För ett team som vill äga sin inferensväg är det värt mer än en bättre demo.

Där Dessas demos pekar, om de håller

Det intressanta påståendet är inte att Dessa låter mänsklig. Det är att om man tar bort textflaskhalsen så tar man bort en kategori av fel. En pipeline som transkriberar först måste avgöra när du har slutat prata; den låser sig vid en transkription innan den kan svara; den tappar sucken. En duplexmodell gör aldrig det åtagandet. Om Blocks klipp är representativa blir resultatet ett samtal som tolererar överlappning – du kan prata över den, och den kan prata över dig.

Det som saknas är något sätt att veta om klippen är representativa. Block säger att ingen styr modellen och att undertexter lades till i efterhand, vilket utesluter den grövsta iscensättningen. Den publicerar inte en held-out-uppsättning, en latensfördelning, en återhämtningsgrad efter avbrott eller ett förståelighetspoäng i brus. The Verge ansåg att samma demonstrationer var "lite besvärande och kusliga", inklusive ett klipp där modellen kallar sin partner för "Ronaldo". Ett handplockat klippband kan överleva det; en produkt måste.

Bygger en röstloop kring Gemma idag

Om du vill ha en röstagent nu är arkitekturen taligenkänning, sedan Gemma 4 12B och sedan talsyntes. Modellen hanterar förståelse, resonemang och texten i svaret; de omgivande tjänsterna hanterar ljudet. Latensbudgeten domineras av de två kanterna, inte mitten: slutpunktsdetektering plus syntes tar vanligtvis mer väggklockstid än språkmodellens första token.

OrcaRouter är användbart i mitten av den loopen av en annan anledning. Ett API framför 200+ modeller innebär att resonemangssteget kan bytas ut utan att skriva om applikationen, och automatisk failover innebär att ett tillfälligt strul hos en leverantör inte avslutar anropet. Modellen med 0 % påslag – leverantörens listpris förs vidare oförändrat – spelar roll när en leverantör sänker ett pris, eftersom sänkningen gäller hos oss samma dag. Ett ärligt förbehåll: vi dirigerar Gemma 4 26B A4B och Gemma 4 31B, inte 12B, som är en modell som laddas ner och hostas själv. Om du vill ha 12B bakom ett API är det ett beslut om hosting hos tredje part, inte vårt.

Att välja utifrån begränsning

• Du behöver leverera text- eller multimodala utdata nu – Gemma 4 12B, utan ett seriöst alternativ i det här paret.

Du behöver offline-inferens på hårdvara som du själv kontrollerar – Gemma 4 12B, eftersom vikterna finns.

• Du behöver hjälp att förstå ett dokument, en bild eller en 30-sekunders inspelning — Gemma 4 12B.

Du behöver en live-röst som kan avbrytas — Dessa är den enda av de två som är inriktad på det, och den är inte tillgänglig.

• Du behöver emotionell uttrycksfullhet i ljudutmatningen — Dessas demos är beviset, och de är utvalda av leverantören.

• Du behöver en licens som kan gå igenom upphandling — {{1}}Gemma 4 12B:s Apache 2.0{{/1}} är den enda licensen på bordet.

Vad skulle göra detta till en riktig jämförelse

Tre saker skulle ändra svaret. Ett Dessa API, så att de två kunde mätas på samma samtal. Ett publicerat parameterantal och en latenssiffra, så att laptop-påståendet kunde reproduceras. Eller en talnativ modell med öppna vikter från någon annan, vilket skulle göra "Dessa vs Gemma" till en jämförelse av arkitekturer snarare än en jämförelse av tillgänglighet.

Fram till dess är den rättvisa sammanfattningen att Gemma 4 12B är en kapabel lokal multimodal modell med en textflaskhals som den inte kan ta bort, och att Dessa är ett lovande försök att ta bort den flaskhalsen utan något offentligt sätt att kontrollera resultatet. Den första är ett verktyg. Den andra är en hypotes med utmärkt produktionskvalitet.