ARTEMIS กับ Gemma 4 12B: ฮาร์เนสกับสมองไม่ใช่การซื้อแบบเดียวกัน

ARTEMIS ของ Google กับ Gemma 4 12B ไม่ได้แข่งขันกัน และวิธีที่เร็วที่สุดที่จะเสียเวลาหนึ่งสัปดาห์คือเอา它们ไปใส่ในตารางเปรียบเทียบแล้วเลือกผู้ชนะ ARTEMIS ซึ่ง Google เปิดซอร์สในเดือนสิงหาคม 2026 ภายใต้ Apache 2.0 เป็นฮาร์เนสสำหรับระบบอัตโนมัติบน Android: มันรับประโยคหนึ่งประโยค สั่งควบคุมโทรศัพท์จริงผ่าน ADB แล้วรายงานว่าเกิดอะไรขึ้น Gemma 4 12B ซึ่ง Google DeepMind เปิดตัวเมื่อวันที่ 3 มิถุนายน 2026 เป็นโมเดลมัลติโมดัลแบบเดนส์ที่มีพารามิเตอร์ 12 พันล้านตัวและเป็นแบบเปิดน้ำหนัก — สมองที่คุณรันบนแล็ปท็อปได้ ไม่ใช่ระบบที่แตะหน้าจอได้ ตัวหนึ่งไม่สามารถมองเห็น ตัดสินใจ หรือลงมือทำได้ หากไม่มีอีกประเภทหนึ่งติดอยู่ด้วย ส่วนอีกตัวหนึ่งถืออุปกรณ์ไม่ได้เลย แต่การเปรียบเทียบนี้ก็ยังคุ้มค่าที่จะทำ เพราะคำถามที่อยู่ใต้มันคือคำถามที่ทุกทีมมือถือกำลังถามอยู่ในตอนนี้: โมเดลเปิดขนาดเล็กที่คุณเป็นเจ้าของเองทั้งหมดสามารถทำงานระบบอัตโนมัติบน Android ได้หรือไม่ หรือคุณจำเป็นต้องมีโมเดลฟรอนเทียร์แบบโฮสต์อยู่เบื้องหลังฮาร์เนสอย่าง ARTEMIS? คำถามนั้นมีคำตอบจริง และไม่ใช่คำตอบที่โพสต์เปิดตัวของผู้ขายรายใดรายหนึ่งบอกเป็นนัยไว้

ก่อนอื่น ข้อผิดพลาดเชิงหมวดหมู่ พูดให้ตรง ๆ

ARTEMIS ไม่มีโมเดลของตัวเอง ป้ายของมันเองเขียนว่า "Multi-Model — Gemini | Claude | GPT-4o | Qwen-VL" และไฟล์ที่กำหนดว่าจะใช้ตัวไหนคือ code>config/artemis.jsonc/code>. มันเป็นลูปควบคุม: ตัวระบุตำแหน่งที่ให้ความสำคัญกับการเข้าถึงเป็นอันดับแรก, การตรวจสอบความปลอดภัยที่เคลียร์ป๊อปอัปก่อนที่การแตะของคุณจะลง, สมุดบัญชีเซสชันที่บีบอัดภาพหน้าจอเก่าให้เป็นสรุปภาพ, และโปรไฟล์การทำงานสองแบบ — Flash ใช้เวลาประมาณ 3–5 วินาทีต่อขั้นตอน, Pro ใช้เวลาประมาณ 15–40 วินาทีต่อขั้นตอน พร้อมด้วย Planner, Operator และ Checker แบบอ่านอย่างเดียว ทุกสิ่งที่มันรู้เกี่ยวกับโลกเข้ามาผ่านโมเดล vision-language ที่มันไม่ได้เขียนเอง

Gemma 4 12B เป็นวัตถุอีกประเภทที่ตรงกันข้าม มันเป็นเช็กพอยต์ ไม่มีการเชื่อมต่ออุปกรณ์ ไม่มี ADB ไม่มีบริการช่วยการเข้าถึง ไม่มีความคิดว่าการแตะเป็นสิ่งที่สามารถดำเนินการได้ ส่งภาพหน้าจอให้มันแล้วถามว่าควรทำอะไรต่อไป มันจะตอบคุณ — อาจจะตอบได้ดีด้วยซ้ำ — แต่การตอบนั้นคือขอบเขตทั้งหมดของความสามารถในการลงมือทำของมัน ทุกอย่างระหว่าง "โมเดลบอกว่าแตะที่ (540, 1180)" กับ "โทรศัพท์แตะที่ (540, 1180)" เป็นงานของ ARTEMIS และมันคืองานส่วนใหญ่

ดังนั้นการวางกรอบอย่างตรงไปตรงมาของการเปรียบเทียบนี้จึงไม่ใช่ ARTEMIS กับ Gemma แต่เป็น: โมเดลเปิดขนาด 12B ให้อะไรกับคุณในฐานะชั้นการให้เหตุผลของเอเจนต์ Android และเมื่อใดที่คุณจำเป็นต้องจ่ายสำหรับสิ่งที่ใหญ่กว่า?

Gemma 4 12B นำอะไรมาให้จริง ๆ

สำหรับโมเดลขนาดกลาง มันมีสเปกที่ระบุไว้อย่างครบถ้วนผิดปกติ และคุณสมบัติสามประการของมันมีความสำคัญต่อทุกอย่างที่ใช้งานบนมือถือ

• มันเป็นมัลติโมดัลอย่างแท้จริงในระดับอินพุต ทั้งข้อความ รูปภาพ เสียง และวิดีโอเป็นอินพุต ส่วนเอาต์พุตที่ได้คือข้อความ นี่คือ Gemma ขนาดกลางรุ่นแรกที่ไม่มีตัวเข้ารหัสมัลติโมดัลแยกต่างหาก และเป็นรุ่นแรกในตระกูลที่รับเสียงได้โดยตรง — ซึ่งไม่ใช่ฟีเจอร์ระบบอัตโนมัติสำหรับ UI แต่เป็นฟีเจอร์ที่มีอยู่จริงหากสถานการณ์ทดสอบของคุณเกี่ยวข้องกับข้อความเสียง การแจ้งเตือนที่พูดออกเสียง หรือเส้นทางการเข้าถึงที่สร้างขึ้นจากสัญญาณเสียง

• มันคือ 12B ที่คุณถือไว้ในมือได้Artificial Analysis ระบุว่ามันมีพารามิเตอร์รวม 12B ภายใต้ Apache 2.0 — ไม่มีเกณฑ์รายได้ ไม่มีข้อกำหนดด้านการวิจัย เป็นสัญญาอนุญาตที่คุณสามารถสร้างผลิตภัณฑ์ได้โดยไม่ต้องขออนุญาตใคร — พร้อมหน้าต่างบริบท 256K เปิดใช้งานการให้เหตุผล และความเร็วเอาต์พุตที่วัดได้ 109.2 โทเคนต่อวินาที รายงานจากชุมชนระบุว่าน้ำหนักอยู่ที่ประมาณ 13.4 GB ที่ SFP8 และประมาณ 6.7 GB ที่ Q4_0 ซึ่งเทียบเท่าแล็ปท็อปที่มีหน่วยความจำ 16 GB

• มันราคาถูก แต่ไม่ใช่ตัวที่ถูกที่สุดในคลาสของมัน Artificial Analysis ระบุไว้ที่ $0.10 ต่ออินพุตหนึ่งล้านโทเคน และ $0.30 ต่อเอาต์พุตหนึ่งล้านโทเคน — และให้ข้อสังเกตในแผงเดียวกันว่านี่ค่อนข้างแพงสำหรับโมเดล open-weights ที่มีขนาดใกล้เคียงกัน โดยค่ามัธยฐานอยู่ที่ $0.05 ต่ออินพุต และ $0.15 ต่อเอาต์พุต การอ่านแคชมีค่าใช้จ่ายใกล้เคียง $0.03

ภาพรวมของ benchmark ขนาดกลางยังคลุมเครือแบบเดิม และควรพูดอย่างระมัดระวัง เพราะตัวเลขบนเว็บไซต์ติดตามต่างๆ ให้ค่าไม่ตรงกัน Artificial Analysis ให้คะแนนคอนฟิกูเรชัน reasoning ไว้ที่ Intelligence Index 14 จัดอันดับอยู่ที่ 21 จากโมเดล open-weights 142 รุ่นในคลาสเดียวกัน ซึ่งเป็นตำแหน่งกลางตารางที่น่านับถือ และยังห่างไกลจากแนวหน้ามาก การวางตำแหน่งของ Google เองคือ 12B เกือบเทียบเท่า Gemma 4 26B-A4B ที่ใหญ่กว่า และเอาชนะ Gemma 3 27B รุ่นก่อนหน้าในงาน reasoning วิทยาศาสตร์ และเอกสาร ผู้รวบรวมข้อมูลจากบุคคลที่สามให้ค่าประมาณ 72% บน LiveCodeBench v6 และ 77.2% บน MMLU-Pro โดย GPQA Diamond อยู่ในช่วง 66% ถึง 79% ขึ้นอยู่กับว่าเราดู tracker ตัวไหนและคอนฟิกูเรชันใด นั่นเป็นตัวเลขที่น่านับถือสำหรับโมเดล 12B แต่ยังเป็นตัวเลขรวมที่รายงานเองและไม่ผ่านการตรวจสอบ และเมื่อสี่เว็บไซต์ให้ตัวเลขต่างกันถึง 13 คะแนน คุณควรยึดช่วงมากกว่าค่าเพียงจุดเดียว

สิ่งที่ ARTEMIS นำมา ในหนึ่งย่อหน้า เพราะมันไม่ใช่หัวข้อตรงนี้

ARTEMIS นำมาซึ่งทุกสิ่งที่โมเดลทำเองไม่ได้: ตัวระบุตำแหน่งแบบไดนามิกมาก่อน (dynamic-first locator) ที่ใช้ดัชนีของ element ใน accessibility เมื่อมี และถอยไปพึ่ง vision กับพิกัดเมื่อไม่มี ซึ่งหมายความว่าไม่ต้องดูแล XPath และไม่มี ID ที่จะหมดอายุบนพื้นผิว Compose หรือ Flutter นอกจากนี้ยังมี Safety Net ที่ดักจับป๊อปอัปของระบบที่การแตะของคุณกำลังจะไปโดน การตรวจสอบ checkpoint สี่ระดับ ตั้งแต่ code>off/code> ถึง code>strict/code> รวมถึง crash stack อัตโนมัติ ภาพหน้าจอ keyframe และรายงานการวินิจฉัย คอนโซลเว็บ Python SDK สำหรับ pytest และ CI และ — เหตุผลที่มันแพร่กระจายเร็วขนาดนั้น — MCP server แบบเนทีฟที่เปิดทุกอย่างให้ Antigravity, Claude Code, Codex และผู้ช่วยอื่นใดที่รองรับ MCP ในรูปของเครื่องมือห้าแบบ อัตราความสำเร็จที่อ้างว่าสูงกว่า 99% บน AndroidWorld benchmark ของ Google Research ทำให้มันอยู่ที่ 99.1% บน leaderboard สาธารณะ ณ วันที่ 11 กันยายน 2026 เทียบกับ 80% สำหรับประสิทธิภาพของมนุษย์ ตัวเลขดังกล่าวเป็นการรายงานเอง และ leaderboard ไม่ได้ตรวจสอบผลงานที่ส่งเข้ามา จึงควรมองว่าเป็นคำกล่าวอ้างที่หนักแน่นจากผู้ขาย มากกว่าจะเป็นการตรวจสอบอย่างเป็นอิสระ

จุดเดียวที่ทั้งสองทับซ้อนกันอย่างแท้จริง

มีสถาปัตยกรรมจริงอยู่แบบหนึ่งที่ Gemma ขนาดเล็กทำงานทั้งหมด และน่าศึกษาเพราะมันแสดงให้เห็นว่าโมเดลบนคลาวด์กำลังจ่ายค่าอะไรจริง ๆ เฟรมเวิร์กเอเจนต์ Android แบบโอเพนซอร์สชื่อ Orion ทำงานบนอุปกรณ์ทั้งหมด: MediaProjection จับภาพหน้าจอ และเวอร์ชันควอนไทซ์ของ Gemma-4-E4B-itที่ทำงานบน Qualcomm Hexagon NPU ผ่าน LiteRT-LM เลือกการกระทำถัดไป และ Android Accessibility Service ส่งการแตะ ไม่มี API บนคลาวด์ ไม่มีบิลคิดตามจำนวนโทเคน และหน้าจอไม่เคยออกจากตัวเครื่อง มันผ่านการตรวจสอบบน Galaxy S25 Ultra และตามคำอธิบายของมันเอง มีความหมายเฉพาะบนฮาร์ดแวร์ที่มี Hexagon NPU เท่านั้น — โมเดลต้องใช้พื้นที่จัดเก็บประมาณ 3 GB และเฟรมเวิร์กนี้มุ่งเป้าไปที่ QNN HTP v79 บน arm64

นั่นคือรูปแบบของเอเจนต์ Android ที่ใช้โมเดลขนาดเล็กซึ่งทำงานได้ในปัจจุบัน และสังเกตว่าการไปถึงจุดนั้นมีต้นทุนอะไรบ้าง โมเดลถูกควอนไทซ์และแมปกับ NPU สเปซการกระทำคือพิกเซล เพราะโมเดลที่ใช้เพียงภาพหน้าจอไม่สามารถตีความ "ดัชนีองค์ประกอบ 12" ได้ การออกแบบทั้งหมดเป็นสแต็กแนวตั้ง — โมเดล, รันไทม์, ซิลิคอน, เฟรมเวิร์ก — ซึ่งเป็นเหตุผลว่าทำไมมันจึงเป็นเฟรมเวิร์ก ไม่ใช่สิ่งที่เอาไปใช้กับชุดทดสอบของคุณได้ทันที Gemma 4 12B มีจำนวนพารามิเตอร์ประมาณสามเท่าของ E4B ในสแต็กนั้น และไม่ได้จัดส่งในรูปแบบที่รันบนโทรศัพท์ได้; 12B ที่ควอนไทซ์แบบ 4 บิตเป็นเวิร์กสเตชันหรือปลายทางที่ให้บริการ ไม่ใช่โมเดลที่อยู่ใน NPU

จุดที่แต่ละอันชนะจริง ๆ

• ต้นทุนเมื่อขยาย規模 — Gemma 4 12B ที่โฮสต์เองไม่มีราคาต่อโทเคนเลย เมื่อเทียบกับค่าการเรียกใช้วิชันต่อขั้นตอนสำหรับทุกขั้นตอนของการรัน ARTEMIS หนึ่งรอบ เมื่อรันชุดทดสอบรีเกรซชัน 500 รายการทุกคืน ความต่างนี้ทบต้นเร็วกว่าช่องว่างของ benchmark ใด ๆ

• ความเป็นส่วนตัว — Gemma 4 12B บนฮาร์ดแวร์ของคุณเองไม่เคยส่งภาพหน้าจอไปที่ใดเลย ตัวช่วยด้านการเข้าถึงของ ARTEMIS ทำงานบนอุปกรณ์โดยชัดเจนและไม่ส่งข้อมูลใด ๆ แต่การเรียกใช้โมเดลที่มันทำกับภาพหน้าจอแต่ละภาพจะถูกส่งไปยังผู้ให้บริการที่คุณตั้งค่าไว้

• ความน่าเชื่อถือของงานบนแอปจริง — ARTEMIS ชนะอย่างทิ้งห่าง เพราะมันเป็นฮาร์เนสที่มีตาข่ายนิรภัย มีการตรวจสอบจุดเช็กพอยต์และการกู้คืน ไม่มีสิ่งใดในโมเดลที่ดีกว่าที่จะทดแทนสิ่งนั้นได้

• เสียงและเอกสารยาว — Gemma 4 12B พร้อมอินพุตเสียงแบบเนทีฟในเอกสารสเปกทางเทคนิค และหน้าต่างบริบทขนาด 256K โทเคน ARTEMIS ไม่มีความเห็นต่อทั้งสองอย่าง

• เวลาที่ใช้จนถึงการทดสอบที่ผ่านครั้งแรก — ARTEMIS ชนะขาดลอยมาก โคลน code>./start.sh/code> แล้วเชื่อมต่ออุปกรณ์ที่เปิด USB debugging ไว้ รอให้งานแรกติดตั้งตัวช่วยการเข้าถึง การสร้างสิ่งที่เทียบเท่าขึ้นมาด้วย checkpoint เปล่า ๆ ถือเป็นโปรเจกต์ที่ต้องใช้เวลาหลายเดือน และตัวอย่าง Orion ข้างต้นคือหน้าตาของโปรเจกต์นั้นเมื่อทำเสร็จเรียบร้อยแล้ว

• อิสระในการปรับเปลี่ยนเลเยอร์การให้เหตุผล — Gemma 4 12B ซึ่งเป็นน้ำหนักแบบ Apache 2.0 ที่คุณสามารถไฟน์ทูนกับคำศัพท์ UI ของคุณเองได้ ARTEMIS เป็นโค้ด Apache 2.0 แต่การให้เหตุผลจะอยู่ที่ใดก็ตามที่โมเดลของคุณอยู่

เวอร์ชันของการจับคู่นี้ที่มีให้ใช้งานจริงในวันนี้

จงชัดเจนว่าคุณสามารถดีพลอยอะไรได้ภายในสัปดาห์นี้ รายการแบ็กเอนด์ที่ผ่านการทดสอบของ ARTEMIS ประกอบด้วย Gemini, Claude, GPT-4o และ Qwen-VL — Gemma 4 12B ไม่ปรากฏอยู่ในรายการนั้น และยังไม่มีการประเมินที่เผยแพร่เกี่ยวกับการที่ Gemma 4 12B ขับเคลื่อนเซสชัน ARTEMIS ไฟล์คอนฟิกรับเอนด์พอยต์ของโมเดล ดังนั้นการจับคู่นี้จึงเป็นไปได้แต่ยังไม่ได้รับการพิสูจน์ และหากคุณลองใช้ คุณกำลังทำงานต้นฉบับแทนที่จะทำตามเอกสาร พูดตรง ๆ ก็คือ: แผนงานของ ARTEMIS มีรายการ "VLMs น้ำหนักเบาบนอุปกรณ์" และโมเดลที่จะมาเติมเต็มรายการนั้นจะไม่ใช่ขนาด 12B

Gemma 4 12B ก็ไม่อยู่ในแค็ตตาล็อกของเราเช่นกัน — เราให้บริการ Gemma 4 ขนาดอื่น, คือ Gemma 4 26B-A4B และ Gemma 4 31B ไม่ใช่ 12B ดังนั้นถ้านั่นคือเช็กพอยต์ที่คุณต้องการ คุณต้องไปเอาจากช่องทางแจกจ่ายของผู้ขายเองและโฮสต์บุคคลที่สามตามปกติ สิ่งที่แค็ตตาล็อกแบบจัดเส้นทางมีไว้ทำก็คือจัดการกับอีกครึ่งหนึ่งของปัญหานี้: ถ้าแผนของคุณคือ ARTEMIS บนโมเดลวิชันแบบโฮสต์ โมเดลนั้นคือรายการค่าใช้จ่ายที่เพิ่มขึ้นตามทุกสเต็ปของทุกการรัน และคันโยกที่มีประโยชน์ไม่ใช่ราคาหน้าป้าย แต่เป็นราคาแคช การรันแบบ Pro จะอ่านบริบทที่โตขึ้นซ้ำในทุกสเต็ป ดังนั้นโมเดลที่มีการอ่านแคชราคาถูกจึงเปลี่ยนการคำนวณไปมากกว่ามากเมื่อเทียบกับโมเดลที่มีอินพุตใหม่ราคาถูก นั่นก็เป็นเหตุผลว่าทำไมการ failover ของผู้ให้บริการจึงควรอยู่ในคอนฟิก ไม่ใช่ในบันทึกเหตุการณ์ของคุณ — เซสชัน Android ที่ยาวนานจะถือบริบทไว้ที่เอนด์พอยต์เดียว และการสะดุดของผู้ให้บริการที่สเต็ป 74 ทำให้คุณเสียการรันนั้นไป

อันไหนคือก้าวต่อไปของคุณ

ถ้าคุณมีแอปมือถือและชุดทดสอบรีเกรสชัน คุณต้องใช้ ARTEMIS และ Gemma 4 12B ไม่ใช่ตัวแทนสำหรับส่วนใดส่วนหนึ่งของมัน — อย่างดีที่สุดมันเป็นเพียงเอนจินที่คุณอาจสลับเข้ามาใช้ในภายหลัง โดยไม่มีเอกสารประกอบ ในเวลาว่างของคุณเอง ถ้าคุณกำลังสร้างผลิตภัณฑ์ที่ต้องทำงานบนมือถือโดยไม่มีเครือข่ายและไม่มีค่าใช้จ่ายต่อการเรียกใช้ คุณต้องใช้โมเดลขนาดเล็ก และ Gemma 4 12B อาจใหญ่เกินไปสำหรับฟอร์มแฟกเตอร์ที่คุณมีอยู่จริง ดูลิ่งที่ Orion ทำกับ Gemma ระดับ 4B บน NPU ก่อนที่คุณจะสมมติว่า 12B จะพอดี

การตัดสินใจทั้งสองอย่างนี้ชนกันแค่จุดเดียว และมันเป็นคำถามเรื่องต้นทุนมากกว่าเรื่องขีดความสามารถ นั่นคือ คุณยินดีจ่ายเพื่อเรียกใช้ vision กี่ครั้งต่อวัน? ตอบคำถามนั้นตามจริง — นับจำนวนเทสต์ของคุณ นับจำนวนสเต็ปของคุณ นับจำนวนรอบรันตอนกลางคืนของคุณ — แล้วทางเลือกระหว่าง harness บนโมเดลแบบโฮสต์กับสแต็กที่โฮสต์เองจะเลือกตัวมันเอง

สิ่งที่แค็ตตาล็อกที่ถูกกำหนดเส้นทางมีไว้สำหรับคืออีกครึ่งหนึ่งของปัญหานี้: ถ้าแผนของคุณคือ ARTEMIS บนโมเดลวิชันที่โฮสต์ไว้ โมเดลนั้นก็คือรายการค่าใช้จ่ายที่เพิ่มขึ้นตามทุกขั้นตอนของทุกการรัน