Beam 1.0 กับ Gemma 4 12B: พารามิเตอร์ 501 พันล้านเทียบกับ 12 และช่องว่างนั้นให้อะไรได้จริง

หนึ่งในโมเดลเหล่านี้พอดีกับแล็ปท็อป ส่วนอีกตัวต้องใช้ตู้แร็ก และความต่างระหว่างสองตัวนี้คือสี่สิบเท่า Reflection Beam 1.0เป็นโมเดล sparse mixture-of-experts ที่มีพารามิเตอร์รวม 501.3 พันล้านตัว และเปิดใช้งาน 23.4 พันล้านตัวต่อโทเค็น — ประกาศโดย Reflection เมื่อวันที่ 5 ตุลาคม 2026 ในฐานะพรีวิวแบบมีรายชื่อรอ และเผยแพร่เป็นเวตที่ดาวน์โหลดได้จริงเมื่อวันที่ 16 ตุลาคม 2026 ภายใต้ Apache 2.0 ในบิลด์ BF16, FP8 และ NVFP4 พร้อมดราฟเตอร์ DFlash2 สำหรับ speculative decoding ขนาดเล็กอยู่ด้วย G​emma 4 12Bเป็นโมเดล dense แบบไม่มีเอนโคเดอร์ขนาด 11.95 พันล้านพารามิเตอร์ของ G​oogle DeepMind เปิดตัวเมื่อวันที่ 3 มิถุนายน 2026 ซึ่งอ่านข้อความ รูปภาพ เสียง และเฟรมวิดีโอ เขียนข้อความ และควอนไทซ์ให้เล็กลงจนเครื่อง 16GB เก็บได้ ทั้งสองมีสัญญาอนุญาตแบบ permissive เอาต์พุตของทั้งคู่เป็นข้อความ และทั้งคู่อยู่บน Hugging Face ในตอนนี้ แทบไม่มีสิ่งอื่นเกี่ยวกับสองตัวนี้ที่เหมือนกัน และคำถามที่มีประโยชน์ไม่ใช่ว่าตัวไหนฉลาดกว่า — แต่คือตัวไหนในสองตัวนี้ที่ตอบโจทย์ปัญหาของคุณได้โดยไม่ต้องมีใบสั่งซื้อ

เรื่องนี้สำคัญกว่าที่ปกติจะเป็น เพราะเป็นเวลาสิบเอ็ดวันแล้วที่ Beam 1.0 เป็นโมเดลที่คุณอ่านเกี่ยวกับมันได้แต่ยังไม่มีไว้ใช้จริง คำประกาศของ Reflection เมื่อวันที่ 5 ตุลาคมรับปากว่าจะมีน้ำหนักโมเดลแบบ Apache 2.0 “ภายในเดือนนี้” และคลังโค้ดก็ยังว่างเปล่า ณ วันที่ 16 ตุลาคม 2026 คอลเลกชันนี้เปิดใช้งานแล้วโดยมีสี่คลังโค้ด และการ์ดโมเดลมีตารางการประเมินแบบครบถ้วน การเปิดตัวครั้งนั้นคือเหตุผลที่การเปรียบเทียบนี้สามารถเขียนออกมาเป็นการเปรียบเทียบได้จริง แทนที่จะเป็นเพียงบันทึกเกี่ยวกับพาดหัวข่าว

ที่ซึ่งทั้งสองยืนอยู่ ในครั้งเดียว

ทุกอย่างด้านล่างนี้เป็นได้ทั้งเอกสารของผู้จำหน่ายเองหรือข้อมูลจาก Artificial Analysis ในกรณีที่ตัวเลขหนึ่งเป็นของผู้จำหน่ายและยังไม่มีการจำลองผลซ้ำ หน้านี้จะระบุไว้ตรงจุดนั้นเลย แทนที่จะใส่ไว้ในข้อจำกัดความรับผิดชอบท้ายหน้า

• จำนวนพารามิเตอร์ทั้งหมด — Beam 1.0 501.3B เทียบกับ G​emma 4 12B 11.95B อัตราส่วนอยู่ที่ประมาณ 42 ต่อ 1

• พารามิเตอร์ที่ใช้งานต่อโทเคน — 23.4B เทียบกับ 11.95B อัตราส่วนนี้ลดลงเหลือประมาณ 2 ต่อ 1 ซึ่งนี่คือกลไกสำคัญทั้งหมด: โมเดลแบบสแปร์สจ่ายเฉพาะส่วนของตัวเองที่ใช้งานเท่านั้น

• สถาปัตยกรรม — Beam 1.0 เป็น MoE 52 เลเยอร์ที่มีผู้เชี่ยวชาญ 256 ตัว ประกอบด้วยเลเยอร์แบบ dense สามเลเยอร์และเลเยอร์ผู้เชี่ยวชาญ 49 เลเยอร์ มี attention แบบ local และ global สลับกัน และ gated grouped-query attention พร้อม sliding-window attention; Gemma 4 12B เป็นแบบ dense 48 เลเยอร์ โดยไม่มีเอนโคเดอร์แบบมัลติโมดัลเลย — การจัดการภาพและเสียงถูกฝึกให้อยู่ภายในโมเดลแทนที่จะติดตั้งเพิ่มภายหลัง

• หน้าต่างบริบท — Beam 1.0 มี 1,000,000 โทเคนบนการ์ดโมเดล; G​emma 4 12B มี 262,144 โทเคน ทั้งสองเป็นตัวเลขที่มากที่สุดที่แต่ละตระกูลมีให้

• ประเภทข้อมูล — Beam 1.0 เป็นข้อความเข้า ข้อความออก และการ์ดของมันระบุไว้อย่างชัดเจน; G​emma 4 12B รับข้อความ รูปภาพ เสียง และเฟรมวิดีโอเข้า แล้วส่งข้อความออก

• สัญญาอนุญาต — Apache 2.0 ทั้งสองรุ่น ใช้ในเชิงพาณิชย์ได้ ไม่จำกัดจำนวนผู้ใช้ นี่คือจุดที่ทั้งสองโมเดลใกล้เคียงกันมากที่สุดจนแทบจะเป็นสิ่งเดียวกัน

• ผลการประเมินที่เผยแพร่ — Beam 1.0 มาพร้อมตารางการประเมินที่ครอบคลุมเช็กพอยต์ BF16, FP8 และ NVFP4; การ์ดของ Gemma 4 12B มีตัวเลขของ Google เอง และได้รับการให้คะแนนอย่างอิสระตั้งแต่เดือนมิถุนายน

• คะแนนอิสระ — Artificial Analysis Intelligence Index v4.3.2 จัดให้ Beam 1.0 อยู่ที่ 30 อยู่ในอันดับที่ 19 จาก 120 โมเดลในชั้นการเปรียบเทียบของตน และ G​emma 4 12B อยู่ที่ 14 อยู่ในอันดับที่ 20 จาก 141 — ห่างกัน 16 คะแนนโดยเป็นผลดีต่อโมเดลที่ใหญ่กว่า โดยตัวเลขของ G​emma มีเชิงอรรถกำกับว่า “estimated” เนื่องจากการประเมินอิสระบนรุ่น 12B ยังอยู่ระหว่างดำเนินการ

Beam 1.0 จริง ๆ แล้วคืออะไร ในเมื่อตอนนี้เวทมีอยู่จริงแล้ว

การ์ดโมเดลระบุว่า มีพารามิเตอร์ทั้งหมด 501.3 พันล้านตัว ใช้งานอยู่ 23.4 พันล้านตัว มี 52 เลเยอร์ โดย 3 เลเยอร์เป็นแบบ dense และ 49 เลเยอร์เป็น MoE มี 256 experts มีคำศัพท์ 152,000 โทเคน มีวันตัดขอบเขตความรู้คือ 30 มิถุนายน 2026 และรองรับเฉพาะรูปแบบข้อมูลข้อความเท่านั้น เทมเพลตแชตเป็นรูปแบบ Harmony ที่ดัดแปลงแล้วซึ่งมีสองแชนเนล คือ analysis และ final และมีการตั้งค่า reasoning_effort ที่รับได้ทั้งจำนวนเต็มหรือหนึ่งในค่า minimal, low, medium, high, xhigh และ max ซึ่งแมปไปยัง 8, 32, 64, 128, 256 และ 512 ค่าเริ่มต้นที่ใช้เสิร์ฟเมื่อไม่ได้ตั้งพารามิเตอร์คือ 512 เอกสารของเทมเพลตเองระบุว่า minimal ซึ่งมีค่า 8 เป็นระดับความพยายามที่เล็กที่สุดที่ข้อมูลฝึกเคยสุ่มมา ดังนั้นจึงไม่รองรับงบที่เล็กกว่านี้

มีสามสิ่งที่ควรหยิบยกออกมาจากข้อกำหนดนั้น เพราะสิ่งเหล่านี้คือส่วนที่ตัดสินว่าคุณจะใช้มันได้หรือไม่

ข้อแรกคือการตั้งค่า effort ไม่มีสวิตช์ปิด Beam คิดวิเคราะห์อยู่เสมอ คุณเป็นผู้เลือกว่าจะให้คิดมากแค่ไหน สำหรับลูปของเอเจนต์ นั่นหมายความว่าทุกเทิร์นจะมีคำนำหน้าของการใคร่ครวญติดมาด้วย ซึ่งจะถูกคิดค่าใช้จ่าย และหากคุณเล่นประวัติซ้ำ ก็จะถูกคิดค่าใช้จ่ายซ้ำอีก เทมเพลตยังส่งข้อผิดพลาดออกมาเมื่อ allow_missing_thinking ถูกตั้งเป็น false และเทิร์นของผู้ช่วยก่อนหน้าได้ละทิ้งการให้เหตุผลไปแล้ว ทั้งนี้ก็เพราะการตัดมันออกจะทำให้เอาต์พุตด้อยลง นั่นคือต้นทุนที่ระบุไว้ในเอกสาร ไม่ใช่บั๊ก

อย่างที่สองคือบิลด์ที่ผ่านการควอนไทซ์ Reflection เผยแพร่เช็กพอยต์ FP8 และ NVFP4 ในวันเดียวกับโมเดล BF16 พร้อมกับดราฟเตอร์ DFlash2 รีโพซิทอรี NVFP4 ระบุไว้ที่ 255B เทียบกับ BF16 ที่ 501B และการ์ดระบุว่าการควอนไทซ์มาจาก llm-compressor พร้อมให้เครดิตแก่ทีมงาน NVIDIA สำหรับคำแนะนำ การมีบิลด์สี่บิตตั้งแต่วันแรกเปลี่ยนว่าใครจะสามารถรันสิ่งนี้ได้เลย — 501B ที่ bfloat16 มีน้ำหนักราวหนึ่งเทระไบต์ ซึ่งเป็นการคุยเรื่องการจัดซื้อที่แตกต่างจาก 255B ที่สี่บิต

ประการที่สามคือสิ่งที่หายไป ไม่มีคำแนะนำด้านการให้บริการบนการ์ด ไม่มีข้อกำหนดฮาร์ดแวร์ขั้นต่ำที่เผยแพร่ และไม่มีราคา API ที่เผยแพร่ที่ใดเลยบนหน้าเว็บของ Reflection เอง หน้าเพจของ Artificial Analysis สำหรับโมเดลนี้บันทึกช่องราคาเป็น unavailable และระบุว่า "No publicly available API" — ซึ่งสำหรับโมเดลที่จุดขายทั้งหมดคือการรันได้ในราคาถูก นี่คือแถวที่คุณอยากให้กรอกไว้

G​emma 4 12B คืออะไร และทำไมขนาดจึงเป็นเหตุผลสำคัญ

การ์ดข้อมูลของ Google ระบุว่า Gemma 4 12B มีพารามิเตอร์ 11.95 พันล้านตัว กระจายอยู่ทั่ว 48 เลเยอร์ มีบริบทขนาด 262,144 โทเค็น มีคลังคำศัพท์ที่ใช้ร่วมกันขนาด 262,000 โทเค็นทั่วทั้งตระกูลโมเดล และมีหน้าต่างเลื่อนขนาด 1,024 โทเค็น ซึ่งเป็นสองเท่าของขนาดที่ E2B และ E4B ซึ่งเล็กกว่าใช้ กลไก attention จะสลับระหว่าง attention แบบหน้าต่างเลื่อนเฉพาะที่กับ attention แบบทั่วโลกเต็มรูปแบบ และเลเยอร์สุดท้ายจะเป็นแบบทั่วโลกเสมอ โมเดลนี้ได้รับการฝึกล่วงหน้าบนมากกว่า 140 ภาษา โดยอ้างว่ามีการรองรับพร้อมใช้งานทันทีสำหรับ 35 ภาษาขึ้นไป

การตัดสินใจทางวิศวกรรมที่น่าสนใจคือเรื่องสถาปัตยกรรม: โมเดลนี้ไม่มีเอนโคเดอร์แยกต่างหาก กรอบแนวคิดของ Google คือการจัดการมัลติโมดัลถูกฝึกเข้าไปในตัวโมเดลแทนที่จะถูกต่อเติมเข้ามา ซึ่งเป็นเหตุผลว่าทำไมเช็กพอยต์เดียวกันจึงรองรับทั้งภาพและเสียงได้โดยไม่ต้องมีชุดน้ำหนักอีกชุดให้โหลด บนอุปกรณ์ นั่นคือความแตกต่างระหว่างโมเดลที่นำไปใช้งานได้จริงกับไปป์ไลน์

Google ยังเปิดตัวการฝึกแบบตระหนักถึงการควอนไทซ์ (quantisation-aware training) แทนที่จะพึ่งพาตัวควอนไทซ์แบบ post-hoc และเผยแพร่ GGUF แบบ QAT ที่มีขนาดราว 6.98 GB สำหรับweights บวกกับ multimodal projector ขนาดเล็ก ชุมชนการควอนไทซ์ไปได้ไกลกว่านั้น: บิลด์ Unsloth ที่ถูก mirror อย่างแพร่หลายมีตั้งแต่ประมาณ 4.2 GB ที่ 2-bit ซึ่งเป็นระดับที่ก้าวร้าวที่สุด ไปจนถึง 7.12 GB ที่ Q4_K_M และ 12.67 GB ที่ Q8_0 บิลด์ MLX สำหรับ Apple silicon อยู่ที่ราว 12.7 GB ที่ 8-bit ในทางตรงกันข้าม checkpoint แบบ instruction-tuned ที่ความละเอียดเต็มนั้นเป็นไฟล์ safetensors เดียวขนาด 23.92 GB — ซึ่งเป็นขนาด bfloat16 ดิบก่อนจะมีการใส่ KV cache ใด ๆ และเป็นตัวเลขที่บอกคุณว่าเครื่อง 16GB ไม่สามารถเก็บมันไว้ได้โดยไม่ควอนไทซ์ ขณะที่การ์ดจอ 24GB ทำได้

การให้คะแนนโดยอิสระมีให้ใช้งานตั้งแต่ไม่นานหลังการเปิดตัว ซึ่งเป็นความไม่สมมาตรที่ดำเนินอยู่ตลอดทั้งหน้านี้ Artificial Analysis วัดรุ่น 12B ได้ 14 บน Intelligence Index v4.3.2, 117.6 โทเคนเอาต์พุตต่อวินาที, 2.43 วินาทีถึงโทเคนแรก และ $0.10 ต่อล้านโทเคนอินพุต เทียบกับ $0.30 ต่อล้านโทเคนเอาต์พุต การ์ดของ G​oogle เองรายงานว่าได้ 78.2 บน MMLU Pro, 77.8 บน GPQA Diamond, 77.5 บน AIME 2026 โดยไม่ใช้เครื่องมือ, 72.0 บน LiveCodeBench v6 ด้วย Codeforces ELO 1659, 69.1 บน MMMU Pro และ 43.4 บน MRCR v2 ที่ 128K โดยมีเข็มแปดอัน

การเปรียบเทียบที่ไม่มีอยู่จริง

การ์ดของ Beam 1.0 รายงาน SWE-bench Verified ที่ 81.6% บนเช็กพอยต์ BF16, 80.2% บน FP8 และ 80.7% บน NVFP4; Terminal Bench v2.1 ที่ 80.1, 78.9 และ 78.4; SWE Bench Pro v1 ที่ 66.1, 65.9 และ 65.6; DeepSWE v1.1 ที่ 43.3, 43.0 และ 42.7; GPQA Diamond ที่ 90.6, 90.3 และ 89.3; AIME 2026 ที่ 97.7, 98.0 และ 97.5; LiveCodeBench ที่ 88.3, 88.1 และ 87.4; MCP Atlas ที่ 80.8, 81.5 และ 80.5 และ IFBench ที่ 79.6, 80.7 และ 79.2 การประเมินใช้ temperature 0.7 และ top-p 0.99 ทั้งหมดนั้นเป็นการรายงานของ Reflection เอง และยังไม่มีบุคคลที่สามรายใดทำซ้ำได้

การ์ดของ G​emma 4 12B รายงานตัวเลขของตัวเอง ซึ่งก็ไม่ได้รับการทำซ้ำในระดับราย benchmark เช่นกัน และ Artificial Analysis ได้ให้คะแนนโมเดลนี้อย่างเป็นอิสระ ตอนนี้ลองวางทั้งสองไว้เคียงกันแล้วพยายามลบกัน คุณทำไม่ได้ ตารางของ Beam เป็นตารางของโมเดล frontier ใน benchmark ด้าน agentic coding และการใช้เครื่องมือ ส่วนของ G​emma เป็นตาราง benchmark ด้านความเข้าใจและการให้เหตุผลแบบมัลติโมดัล ในจุดที่ทั้งสองทับซ้อนกัน — โดยพื้นฐานคือ GPQA Diamond และ AIME — ฮาร์เนส การตั้งค่าระดับความพยายามในการให้เหตุผล และพารามิเตอร์การสุ่มตัวอย่าง ไม่มีการบันทึกไว้ในฝั่งหนึ่ง และไม่เป็นที่ทราบในอีกฝั่งหนึ่ง คะแนน 90.6 เทียบกับ 77.8 บน GPQA ดูราวกับเป็นช่องว่าง 13 จุด และนั่นคือการเปรียบเทียบการตั้งค่าของห้องแล็บหนึ่งกับของอีกห้องแล็บหนึ่ง

ตัวเลขเดียวในหน้านี้ที่องค์กรเดียวเป็นผู้วัดทั้งสองโมเดลคือ Intelligence Index และตรงนั้นช่องว่างคือ 30 เทียบกับ 14 นี่เป็นการวัดจริงโดยบุคคลที่สามภายใต้องค์ประกอบที่จัดทำเป็นเอกสารไว้ และยังเป็นช่องว่าง 16 จุดสำหรับโมเดลที่มีจำนวนพารามิเตอร์มากกว่า 42 เท่า และจากหลักฐานที่มีอยู่ ถือเป็นคลาสการติดตั้งใช้งานที่แตกต่างกันโดยสิ้นเชิง ไม่มีใครควรแปลกใจกับเรื่องนี้

ค่าใช้จ่ายจริงในการใช้งานแต่ละรายการ

ทั้ง Beam 1.0 และ Gemma 4 12B ไม่มีอยู่ในแคตตาล็อกของเรา สิ่งที่ OrcaRouter ให้บริการจากตระกูล Gemma 4 คือสองขนาดที่เรามี: Gemma 4 26B A4B ในราคา $0.06 ต่อหนึ่งล้านโทเค็นอินพุต และ $0.33 ต่อหนึ่งล้านโทเค็นเอาต์พุต พร้อมบริบท 262,144 โทเค็น และ Gemma 4 31B ในราคา $0.13 และ $0.38 — ราคาตามรายการของผู้ให้บริการที่ส่งต่อโดยไม่บวกเพิ่ม อ้างอิงจากรายการโมเดลของเราเอง ณ วันที่ 16 ตุลาคม 2026 Beam 1.0 ไม่ใช่สิ่งที่เราให้บริการ และหน้านี้ไม่ได้แสร้งทำเป็นอย่างอื่น วิธีใช้ในปัจจุบันคือดาวน์โหลดจากคอลเลกชัน Hugging Face ของ Reflection หรือเรียก API ของ Reflection เอง

นั่นทำให้การเปรียบเทียบต้นทุนอย่างตรงไปตรงมาออกมาเป็นการเปรียบเทียบฮาร์ดแวร์ ซึ่งเป็นรูปแบบของการเปรียบเทียบที่สำคัญจริง ๆ ในบริบทนี้ หากคุณมีเครื่องอยู่แล้ว Gemma 4 12B แบบ 4 บิตก็เป็นเพียงการดาวน์โหลดและใช้เวลาบ่ายเดียว หากคุณไม่มี ทางเลือกแบบคิดตามปริมาณการใช้งานที่เทียบเท่ากับ 12B ก็ประมาณว่าถูกที่สุดในรายการของเรา — สามสิบเซนต์ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็น — ในขณะที่โมเดล 501B ที่มีพารามิเตอร์ใช้งานจริง 23B เป็นการเช่า GPU ที่ยังไม่มีการกำหนดราคาให้คุณที่ใดเลย เพราะ Reflection ยังไม่ได้เผยแพร่อัตราค่าใช้จ่าย

ในสองอันนี้ อันไหนคือโมเดลของคุณ

เลือกG​emma 4 12B หากงานเป็นแบบมัลติโมดัล หากต้องรันบนฮาร์ดแวร์ที่คุณเป็นเจ้าของอยู่แล้วหรืออุปกรณ์ที่คุณจัดส่งให้ลูกค้า หากยอมรับความหน่วงถึงโทเค็นแรกในระดับหลักร้อยมิลลิวินาทีต้น ๆ ได้ และหากบริบท 256K ครอบคลุมเอกสารของคุณ การออกแบบที่ไม่มีเอนโคเดอร์และการฝึกแบบคำนึงถึงการควอนไทเซชันต่างมุ่งเป้าไปที่ผู้อ่านกลุ่มนั้นโดยตรง และสัญญาอนุญาต Apache 2.0 หมายความว่าคุณสามารถส่งมอบงานดัดแปลงได้โดยไม่ต้องหารือกับ G​oogle ข้อแลกเปลี่ยนของการเลือกนี้คือความสามารถ: คะแนน 14 บนดัชนีอิสระอยู่ต่ำกว่าระดับแนวหน้ามาก และชุดเบนช์มาร์กที่สำคัญที่สุดสำหรับคุณ — การเขียนโค้ดแบบเอเจนต์ การให้เหตุผลระดับรีโพซิทอรี — ไม่ใช่ชุดที่ G​oogle เผยแพร่

เลือก Beam 1.0 หากงานคือการเขียนโค้ด การใช้เครื่องมือ และการทำงานแบบเอเจนต์ในระยะยาว หากคุณมีสิทธิ์เข้าถึงคลัสเตอร์หรือมีพาร์ตเนอร์ด้านการให้บริการ และหากคุณสามารถแบกรับ API ที่ยังไม่มีการกำหนดราคาและงบประมาณการให้เหตุผลที่เปิดใช้งานตลอดเวลาได้ เกณฑ์มาตรฐานที่เผยแพร่ตั้งเป้าไปที่ภาระงานนั้นโดยตรง การบิลด์สี่บิตทำให้การพูดคุยเรื่องฮาร์ดแวร์ง่ายขึ้นอย่างมีนัยสำคัญเมื่อเทียบกับสิ่งที่จำนวนพารามิเตอร์บ่งชี้ และสัญญาอนุญาตไม่มีข้อจำกัดใดที่จะขัดขวางการไฟน์จูนเชิงพาณิชย์

เลือกไม่เอาทั้งคู่เลย หากสิ่งที่คุณต้องการจริง ๆ คือคำตอบภายในสัปดาห์นี้ ทั้งสองนี้เป็นโมเดลที่คุณต้องรันเอง การเปรียบเทียบที่มีความสำคัญต่อการตัดสินใจนั้น — โมเดลที่ให้บริการในอัตราที่ประกาศไว้ บนคีย์ที่คุณมีอยู่แล้ว — อยู่ในอีกหน้า one และหน้านี้ว่าด้วยสองสุดขั้วของสเปกตรัม open-weights มากกว่าตรงกลางซึ่งเป็นที่ที่ทราฟฟิกโปรดักชันส่วนใหญ่อาศัยอยู่

อะไรจะทำให้หน้านี้เปลี่ยนไป

มีสองเรื่อง การทดสอบ基準อิสระที่นำ Beam 1.0 และ Gemma 4 12B มาไว้บนฮาร์เนสเดียวกันด้วยความพยายามเท่ากัน จะแทนที่การเปรียบเทียบเฉพาะ Index ข้างต้นด้วยสิ่งที่นำมาหักลบกันได้ และการที่น้ำหนักของ Beam เปิดเผยต่อสาธารณะแล้วหมายความว่าใครก็สามารถรันมันได้ ราคาที่ประกาศสำหรับ API ของ Beam — หรือสำหรับการปรับใช้ FP8 หรือ NVFP4 แบบโฮสต์ — จะเปลี่ยนส่วนต้นทุนจากข้อโต้แย้งเรื่องฮาร์ดแวร์ให้เป็นตารางราคา จนกว่าหนึ่งในนั้นจะเกิดขึ้นจริง สรุปที่ถูกต้องคือ ช่องว่างพารามิเตอร์ 40 ต่อ 1 ให้ความสามารถทางปัญญาที่วัดอย่างเป็นอิสระได้ประมาณ 16 คะแนนและชุดเบนช์มาร์กที่แตกต่างออกไป และมันแลกมาด้วยความจำเป็นที่ต้องมีที่ไว้วางมัน

ผลลัพธ์เช่นนี้ยังเป็นเครื่องเตือนใจว่าความผิดพลาดของโมเดลได้รับการบันทึกไว้แล้ว: เหตุการณ์ด้าน AI และความล้มเหลวของเอเจนต์ที่อยู่เบื้องหลังโมเดลในระดับนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งที่มาของตนเอง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะการถูกโต้แย้ง