Sakana Namazu vs Gemma 4 12B: En suverän API eller vikter du äger

Sakana Namazu och Gemma 4 12B svarar på samma fråga från motsatta håll: vad är det billigaste sättet att få verkligt användbart beteende från en japanskspråkig modell? Sakana Namazu är ett värdbaserat API – Kimi K2.6 eftertränad för japansk affärskultur, $0.95 / $4.00 per miljon tokens, med inbyggd webbsökning och kodkörning. Gemma 4 12B är Googles öppna viktmodell med 12 miljarder parametrar, multimodal, Apache 2.0, tillräckligt liten för att köras på en maskin med 16 GB minne, och gratis att ladda ner. Den ena ber dig lita på en leverantörs konsol; den andra ber dig lita på din egen hårdvara.

Två olika svar på "var körs detta"

Sakana Namazu är en produkt: du registrerar dig, byter ut en base_url, och modellen — finjusterad, serverad, verktygsförsedd — finns där. Gemma 4 12B är råmaterial: du hämtar vikterna och allt därefter är ditt problem, från inferensmotorn (vLLM, llama.cpp, Ollama, MLX, SGLang fungerar alla) till GPU:n. Den skillnaden är inte en fotnot; den avgör hela jämförelsen. En tät 12B-modell är laptop-territorium — Goog​le designade den här för att köras i ungefär 16 GB minne — vilket gör Gemma 4 12B till den enda av dessa två som fungerar offline, på en nätverksisolerad maskin eller på en enhet som aldrig ringer hem.

Spec-kontrast

• Pris — Sakana Namazu $0,95 / $4,00 per 1M tokens jämfört med Gemma 4 12B $0 att ladda ner, ~$0,10 / $0,30 per 1M om du hyr hosting.

• Vikter — Namazu stängd, leverantörsserverad vs Gemma 4 12B öppen (Apache 2.0), självhostbar, finjusterbar

• Kontext — Namazu inte avslöjat vs Gemma 4 12B 256K tokens (262,144), upp till 262K utdata

• Modalitet — Namazu text + bild vs Gemma 4 12B text, bild, ljud och video-som-bildrutor (inbyggd ljudinmatning)

• Japanska — Namazu finjusterad för keigo och affärskultur vs Gemma 4 12B flerspråkig generalist

• Verifiering — Endast Namazu leverantörsrapporterad vs Gemma 4 12B oberoende uppmätt (77.2 MMLU-Pro, 78.8 GPQA Diamond enligt BenchLM, augusti 2026)

Keigo är inte ett riktmärke.

Språkhistorien är där de två modellerna verkligen skiljer sig åt. Gemma 4 12B är en stark flerspråkig modell — Goog​le tränade den på över 140 språk — men flerspråkig är inte detsamma som kulturellt japansk. Sakana Namazus justering handlar specifikt om register: hedersuttryck som överlever ett formellt mejl, branschjargong som återges korrekt, och svar på politiskt känslig historia som inte präglas av ett annat lands tolkningsram (Sakanas interna FairPoliticsQA-poäng hoppar från 34,10 % till 56,30 %). Om din arbetsbelastning är japansk kundinriktad text, är det en produktskillnad, inte en spec-skillnad. Om din arbetsbelastning är allmän — sammanfattningar, klassificering, extraktion, ljudtranskribering — ger Gemma 4 12B:s inbyggda ljud och större kontext en bredd som Namazu inte gör anspråk på.

Vem ser data.

Integritetsjämförelsen talar starkt till fördel för Gemma 4 12B. Kör du den lokalt lämnar ingenting maskinen — ingen telemetri, inga påståenden om träning, inga jurisdiktionsfrågor. Sakana Namazu, däremot, använder dina indata för träning som standard (möjlighet att välja bort finns i konsolen), garanterar inte att bearbetningen sker endast i Japan och är inte alls tillgänglig i EU/EES, Storbritannien eller Schweiz. För ett japanskt företag som hanterar kunders PII är "modellen bor på vår bärbara dator" en efterlevnadsberättelse som inget värdbaserat API för närvarande kan matcha. För ett företag som inte kan köra eller underhålla sin egen inferens är det omvända sant: ett värdbaserat API med inbyggda verktyg är det enda realistiska alternativet.

Takfrågan

Den ärliga motvikten till Gemma 4 12B:s ägarfördelar är kapacitet. En 12B-modell är junior-flitig: 72,0 på LiveCodeBench v6, ett lågt tak på Humanity's Last Exam och tillförlitlighetsproblem med dokument-OCR på kompakta layouter. Den är en arbetshäst, inte en hjärna. Sakana Namazu ärver resonemangets golvnivå från Kimi K2.6, en basmodell i frontierklass med 1T parametrar som Artificial Analysis rankar i toppen av open-weight-fältet — med förbehållet att Namazus egna post-träningsdeltan är helt leverantörsrapporterade. Om dina uppgifter består av svårt resonemang eller agenter med lång horisont, är en 12B-modell en begränsning; om dina uppgifter har hög volym och är välavgränsade, är den ett fynd.

Samtalet

Välj Gemma 4 12B när randvillkoren väger tyngre än maximal kapacitet: data som aldrig får lämna ditt nätverk, ett budgetgolv på noll, offlinedrift, eller en multimodal arbetsbelastning som vill ha ljud. Välj Sakana Namazu när uppgiften specifikt rör japanskt affärsspråk, eller när du behöver agentiskt beteende med inbyggda verktyg och inte kan driva din egen inferensstack. Och notera att inget av dem är ett enknappsbeslut: Gemma 4 12B är öppna vikter du kör själv, Sakana Namazu körs på Sakanas egen konsol — så en stack som vill ha båda är redan en multimodell-stack, vilket är där en router som ligger framför 200+ modeller bakom en OpenAI-kompatibel slutpunkt och automatiskt växlar över slutar vara trevligt att ha och blir arkitekturen.