Dessa vs Gemma 4 12B: สองโมเดลสำหรับแล็ปท็อป มีเพียงรุ่นเดียวที่คุณดาวน์โหลดได้

การเปรียบเทียบที่มีประโยชน์ที่สุดระหว่าง DessaกับGemma 4 12Bไม่ใช่คะแนนจากการทดสอบมาตรฐาน แต่เป็นไฟล์ Gemma 4 12B — โมเดลน้ำหนักเปิดขนาด 11.95 พันล้านพารามิเตอร์ของ Google DeepMind ที่เผยแพร่ในชื่อ Gemma 4 12B Unifiedภายใต้ Apache 2.0 เมื่อวันที่ 3 มิถุนายน 2026 — เป็นเช็กพอยต์ที่คุณดาวน์โหลดได้บ่ายนี้ รันบนแล็ปท็อป 16 GB และปรับแต่งละเอียดได้โดยไม่ต้องขออนุญาตใคร Dessa ซึ่ง Block ประกาศเมื่อวันที่ 23 ตุลาคม 2026 เป็นโมเดลเสียงแบบฟูลดูเพล็กซ์ที่ทำงานบน MacBook Pro M4 Max ได้ตามที่ผู้ผลิตกล่าวไว้ ยกเว้นว่าคุณไม่สามารถดาวน์โหลด เรียกใช้งาน หรือตรวจสอบมันได้ มันอยู่หลังรายการรอ โดยไม่มีน้ำหนัก ไม่มี API ไม่มีราคา และไม่มีจำนวนพารามิเตอร์ที่เผยแพร่

ทั้งคู่ถูกขายในฐานะโมเดลโลคอล แต่มีเพียงตัวเดียวเท่านั้นที่ถูกแจกจ่ายจริง ความแตกต่างนี้จัดระเบียบทุกอย่างที่เหลือ ทั้งสิ่งที่คุณสร้างได้ สิ่งที่คุณวัดได้ และความหมายที่แท้จริงของคำว่า “รันบนแล็ปท็อป”

คำตอบสั้น ๆ และเหตุผลว่าทำไมมันถึงสั้น

ถ้าเป้าหมายของคุณคือการส่งมอบบางสิ่งภายในไตรมาสนี้ที่ประมวลผลข้อความ รูปภาพ เสียง หรือวิดีโอได้ Gemma 4 12B คือหนึ่งเดียวในสองตัวนี้ที่เป็นผลิตภัณฑ์ที่คุณใช้งานได้ ถ้าเป้าหมายของคุณคือการศึกษาคำพูดแบบฟูลดูเพล็กซ์ — โมเดลที่ฟังในขณะที่มันพูด แทรกขึ้นมา และถูกขัดจังหวะได้โดยไม่หลุดเนื้อหา — Dessa คือชิ้นงานที่น่าสนใจกว่า และคุณยังใช้งานมันไม่ได้ในตอนนี้

นั่นฟังดูเหมือนการปัดตก แต่จริง ๆ แล้วมันใกล้เคียงกับการอธิบายสองขั้นของความสมบูรณ์ที่แตกต่างกันมากกว่า Gemma 4 12B คือรุ่นเปิดตัวที่เสร็จสมบูรณ์พร้อมสัญญาอนุญาต การ์ดโมเดล และตารางผลทดสอบมาตรฐาน ส่วน Dessa คือตัวอย่างงานวิจัยที่มาพร้อมวิดีโอสาธิต การนำมาเปรียบเทียบกันในด้านความสามารถก็เหมือนการเปรียบเทียบกล้องที่วางจำหน่ายแล้วกับต้นแบบในห้องแล็บ ต้นแบบอาจมีเซนเซอร์ที่ดีกว่า แต่มีเพียงตัวเดียวเท่านั้นที่ถ่ายภาพซึ่งคุณเก็บไว้ได้จริง

สองความหมายของ “local”

เรื่องราวการใช้งานในเครื่องของ Gemma 4 12B นั้นชัดเจนเป็นรูปธรรม มันเป็นโมเดลแบบ dense decoder-only ที่มีสถาปัตยกรรมแบบรวมที่ไม่มีเอนโคเดอร์ — 48 เลเยอร์ แพตช์ภาพถูกโปรเจกต์โดยตรง เสียงถูกจัดการโดยไม่ต้องมีเอนโคเดอร์แยกต่างหาก Google วางตำแหน่งให้เหมาะกับหน่วยความจำแบบรวมประมาณ 16 GB และน้ำหนักโมเดลอยู่บน Hugging Face ในรูปแบบ BF16 โดยมี GGUF, MLX และบิลด์จากชุมชนอื่น ๆ ตามออกมา คุณสามารถรันแบบออฟไลน์ บนเครื่องบิน โดยไม่ต้องมีบัญชี

เรื่องเล่าเรื่องการรันในเครื่องของ Dessa เป็นเพียงประโยคเดียวบนหน้าเพจ: การอนุมานทำงานเร็วกว่าเวลาจริงบน MacBook Pro M4 Max หรือแรงกว่า ไม่มีตัวเลขหน่วยความจำ ไม่มีการควอนไทซ์ ไม่มีขนาดไฟล์ และไม่มีการดาวน์โหลด ข้อกล่าวอ้างนี้อาจเป็นความจริงทั้งหมดก็ได้ แต่ก็พิสูจน์ไม่ได้จากภายนอกเช่นกัน เพราะคำว่า "รันในเครื่อง" ในโพสต์ของผู้ขายอาจหมายถึง "นักวิจัยของเราสาธิตมันบนแล็ปท็อป" มากกว่า "คุณจะรันมันบนเครื่องของคุณ" จนกว่าจะมีไฟล์น้ำหนักหรือตัวติดตั้ง การตีความอย่างซื่อตรงคือความหมายแรก

ได้ยิน ได้สนทนา

ความแตกต่างทางสถาปัตยกรรมนั้นชัดเจนยิ่งกว่าช่องว่างของจำนวนพารามิเตอร์เสียอีก Gemma 4 12B เป็นตัวอ่านแบบหลายรูปแบบ (multimodal reader) คือรับข้อความ ภาพ เสียง และวิดีโอเข้าไป แล้วให้ผลลัพธ์ออกมาเป็นข้อความ อินพุตเสียงถูกจำกัดไว้ที่ 30 วินาทีต่อคลิป ส่วนอินพุตวิดีโอจำกัดไว้ที่ประมาณ 60 วินาทีที่อัตราหนึ่งเฟรมต่อวินาที ภายในขอบเขตเหล่านั้นมันสามารถถอดความ แปล พรรณนา ตอบคำถามเกี่ยวกับไฟล์บันทึก และดึงข้อมูลเชิงโครงสร้างออกมาได้ กล่าวอีกนัยหนึ่ง มันเก่งมากในการเปลี่ยนชิ้นส่วนของโลกที่มีขอบเขตจำกัดให้กลายเป็นข้อความ

Dessa เป็นสตรีมแบบสนทนา: เสียงเข้า เสียงออก โดยไม่มีขั้นตอนข้อความใด ๆ เลย ไม่มีทรานสคริปต์ให้ตรวจสอบ ไม่มีขอบเขตโทเค็น และไม่มีขั้นตอนการสังเคราะห์แยกต่างหาก ข้ออ้างของ Block คือวิธีนี้รักษาลักษณะน้ำเสียง หัวเราะ ถอนหายใจ และจังหวะเวลา ที่ไปป์ไลน์ speech-to-text-to-speech ทำให้แบนหายไป เดโมของมันแสดงให้เห็นว่าโมเดลหัวเราะกลางประโยค ปรับระดับเสียงให้ตรง และเติมชื่อภาพยนตร์ที่ผู้พูดลืมให้จนจบ

ผลลัพธ์ในทางปฏิบัติคือโมเดลทั้งสองไม่สามารถใช้แทนกันได้ในระดับ API คุณไม่สามารถส่งไฟล์ PDF ให้ Dessa ได้ คุณไม่สามารถขอให้ Gemma 4 12B ถูกขัดจังหวะกลางคำตอบได้ เพราะมันไม่ได้สร้างสตรีมเสียงที่จะขัดจังหวะได้ ผลิตภัณฑ์เสียงที่สร้างบน Gemma ต้องมีองค์ประกอบเพิ่มอย่างน้อยอีกสองส่วน ส่วนผลิตภัณฑ์เอกสารที่สร้างบน Dessa เป็นไปไม่ได้เลย

แผ่นข้อมูลจำเพาะ โดยให้ทั้งสองด้านอยู่ในบรรทัดเดียวกัน

ตัวเลขด้านล่างเป็นข้อมูลที่ผู้ขายรายงานเอง เว้นแต่จะระบุไว้เป็นอย่างอื่น ข้อมูลของ Gemma มาจากการ์ดโมเดลของ Google ส่วนข้อมูลของ Dessa มาจากหน้าประกาศของ Block ซึ่งเผยแพร่ข้อมูลไว้น้อยกว่ามาก

• พารามิเตอร์ — Gemma 4 12B 11.95B แบบ dense เทียบกับ Dessa ที่ไม่เปิดเผย

• น้ำหนักโมเดล — Gemma 4 12B Apache 2.0 ดาวน์โหลดได้ เทียบกับ Dessa ไม่มีการเผยแพร่

• บริบท — Gemma 4 12B 262,144 โทเค็น เทียบกับ Dessa ที่ไม่ได้ระบุไว้ และไม่มีอินเทอร์เฟซโทเค็นสำหรับใช้วัดเทียบ

• อินพุต — Gemma 4 12B รองรับข้อความ รูปภาพ เสียงสูงสุด 30 วินาที วิดีโอสูงสุดประมาณ 60 วินาที เทียบกับ Dessa ซึ่งเป็นสตรีมเสียงสด

• เอาต์พุต — ข้อความ Gemma 4 12B เทียบกับเสียง Dessa

• การโต้ตอบ — Gemma 4 12B แบบผลัดกันส่งคำขอและตอบกลับ เทียบกับ Dessa แบบฟูลดูเพล็กซ์ พร้อมการพูดแทรกและการส่งสัญญาณตอบรับ

• ฮาร์ดแวร์ — Gemma 4 12B ใช้หน่วยความจำรวมประมาณ 16 GB เทียบกับ Dessa ที่ใช้ MacBook Pro M4 Max หรือดีกว่า ตามข้อมูลจาก Block

• ราคา — Gemma 4 12B ดาวน์โหลดฟรี; อัตราการใช้งานแบบโฮสต์ที่ผู้ให้บริการบุคคลที่สามอยู่ที่ประมาณ $0.10 สำหรับอินพุต และ $0.30 สำหรับเอาต์พุตต่อหนึ่งล้านโทเคน เทียบกับ Dessa ซึ่งไม่มีราคา

• การวัดประสิทธิภาพ — Gemma 4 12B มีตารางที่เผยแพร่จากผู้จำหน่าย เทียบกับ Dessa ที่ไม่มี

• ความพร้อมใช้งาน — Gemma 4 12B พร้อมใช้งานทั่วไปตั้งแต่เดือนมิถุนายน 2026 เทียบกับ Dessa ที่มีรายชื่อรอและการพรีวิวสำหรับนักวิจัยด้านความปลอดภัยกลุ่มเล็ก

จุดที่ Gemma 4 12B ชนะโดยปริยาย

เริ่มจากตัวเลขที่ Google เปิดเผย ซึ่งทั้งหมดเป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่ได้จำลองซ้ำในที่นี้: MMLU-Pro 77.2, GPQA Diamond 78.8, AIME 2026 77.5 โดยไม่ใช้เครื่องมือ, LiveCodeBench v6 72.0, Codeforces Elo 1659, Tau2 69.0, MMMU-Pro 69.1 และ HLE 5.2 รูปแบบที่เห็นคือโมเดลขนาดกลางที่แข็งแกร่งเมื่อเทียบกับรุ่นระดับเดียวกันในด้านการให้เหตุผลและความสามารถด้านภาพ แต่อ่อนกับคำถามชายแดนที่ยากที่สุด และทำได้ดีในการใช้เครื่องมือ หน้าต่างบริบท 256K และการเรียกฟังก์ชันแบบเนทีฟทำให้มันเป็นแกนหลักที่น่าเชื่อถือได้สำหรับเอเจนต์ที่อ่านเอกสารยาวแล้วลงมือดำเนินการ

Artificial Analysis ซึ่งเป็นอิสระจาก Google ประเมินว่ารุ่น reasoning อยู่ที่ 14 บน Intelligence Index ของตน — ระบุว่าเป็นค่าประมาณมากกว่าการทดสอบที่วัดจริง และสูงกว่าค่ามัธยฐานที่ 8 สำหรับโมเดลเปิดที่เทียบเคียงได้อย่างชัดเจน นี่เป็นข้อปรับแก้ที่มีประโยชน์ต่อตารางของผู้จำหน่าย: โมเดลขนาดกลางที่ถูกจัดอยู่ในระดับกลางๆ โดยบุคคลที่สาม

ตัวเลขด้านเสียงของมันไม่หวือหวาเท่า และเกี่ยวข้องกับการเปรียบเทียบนี้มากกว่า CoVoST อยู่ที่ 38.5 และ FLEURS อยู่ที่ 0.069 (ยิ่งต่ำยิ่งดี) โดยทั้งคู่เป็นตัวเลขที่ผู้ขายรายงานเอง โดยตัวเลข CoVoST ไม่รวมภาษาจีน ตัวเลขเหล่านี้เป็นตัวชี้วัดการแปลเสียงพูดและการรู้จำเสียงพูด ไม่ใช่คุณภาพการสนทนา Gemma ฟังคลิป 30 วินาทีและบอกได้ว่าพูดอะไร แต่ไม่สามารถสนทนาแบบสด ๆ ได้

สัญญาอนุญาตคือส่วนที่ตัดสินคำถามเชิงพาณิชย์ส่วนใหญ่ Apache 2.0 หมายความว่าไม่มีเกณฑ์รายได้ขั้นต่ำ ไม่ต้องเจรจาเรื่องการใช้งานที่ยอมรับได้ และไม่ต้องขออนุญาตจากผู้ขายเพื่อทำไฟน์ทูน สำหรับทีมที่ต้องการเป็นเจ้าของเส้นทางการทำอินเฟอเรนซ์ของตนเอง สิ่งนี้มีค่ามากกว่าตัวอย่างสาธิตที่ดีกว่า

จุดที่เดโมของ Dessa ชี้ให้เห็น หากเดโมเหล่านั้นยังคงใช้ได้

ข้อกล่าวอ้างที่น่าสนใจไม่ใช่ที่ว่า Dessa ฟังดูเหมือนมนุษย์ แต่คือการขจัดคอขวดด้านข้อความออกไปช่วยขจัดความล้มเหลวออกไปทั้งประเภท ไปป์ไลน์ที่ถอดเสียงก่อนต้องตัดสินใจว่าคุณพูดจบเมื่อไร มันยึดมั่นกับถอดความก่อนที่จะตอบสนองได้ มันสูญเสียเสียงถอนหายใจ โมเดลดูเพล็กซ์ไม่เคยยึดมั่นแบบนั้น หากคลิปของ Block เป็นตัวแทนได้ ผลลัพธ์คือบทสนทนาที่ทนต่อการพูดทับกัน คุณพูดทับมันได้ และมันก็พูดทับคุณได้

สิ่งที่ขาดหายไปคือวิธีใด ๆ ที่จะรู้ว่าคลิปเหล่านั้นเป็นตัวแทนหรือไม่ Block กล่าวว่าไม่มีใครบังคับทิศทางโมเดล และคำบรรยายถูกเพิ่มเข้ามาภายหลัง ซึ่งตัดความเป็นไปได้ของการจัดฉากแบบหยาบที่สุดออกไป บริษัทไม่ได้เผยแพร่ชุดข้อมูลที่แยกไว้สำหรับทดสอบ การกระจายของเวลาแฝง อัตราการกู้คืนหลังการขัดจังหวะ หรือคะแนนความเข้าใจได้ภายใต้เสียงรบกวน The Verge พบว่าเดโมเดียวกันนั้น "ค่อนข้างประหลาดและชวนขนลุกเล็กน้อย" รวมถึงคลิปที่โมเดลเรียกคู่สนทนาของตนว่า "Ronaldo" รีลที่คัดสรรมาอย่างดีอาจผ่านพ้นเรื่องนั้นไปได้ แต่ผลิตภัณฑ์ต้องผ่านให้ได้

วันนี้กำลังสร้างลูปเสียงโดยมี Gemma เป็นแกนกลาง

ถ้าคุณต้องการ voice agent ตอนนี้ สถาปัตยกรรมคือการรู้จำเสียงพูด จากนั้นเป็น Gemma 4 12B จากนั้นจึงเป็นการสังเคราะห์เสียง โมเดลรับผิดชอบการทำความเข้าใจ การให้เหตุผล และข้อความของการตอบกลับ ส่วนบริการรอบข้างรับผิดชอบเรื่องเสียง งบความหน่วงถูกกำหนดโดยสองขอบเป็นหลัก ไม่ใช่ส่วนกลาง: การตรวจจุดสิ้นสุดเสียงบวกการสังเคราะห์เสียงมักใช้เวลาจริงมากกว่าเวลาที่โมเดลภาษาสร้างโทเคนแรก

OrcaRouter มีประโยชน์ตรงกลางของลูปนั้นด้วยเหตุผลที่แตกต่างออกไป API เดียวที่อยู่หน้าโมเดลกว่า 200 ตัว หมายความว่าขั้นตอนการให้เหตุผลสามารถสลับเปลี่ยนได้โดยไม่ต้องเขียนแอปพลิเคชันใหม่ และการ failover อัตโนมัติหมายความว่าอุปสรรคจากผู้ให้บริการเพียงครั้งเดียวไม่ทำให้การเรียกสิ้นสุดลง โมเดลมาร์กอัป 0% — ราคาตามรายการของผู้ให้บริการถูกส่งผ่านไป — มีความสำคัญเมื่อผู้ขายลดราคา เพราะการลดราคาจะมีผลจริงฝั่งเราในวันเดียวกัน ข้อแม้หนึ่งอย่างที่ต้องพูดตรง ๆ: เรามีเส้นทางสำหรับ Gemma 4 26B A4B และ Gemma 4 31B ไม่ใช่ 12B ซึ่งเป็นโมเดลที่ต้องดาวน์โหลดและโฮสต์เอง หากคุณต้องการ 12B ผ่าน API นั่นเป็นการตัดสินใจด้านการโฮสต์โดยบุคคลที่สาม ไม่ใช่ของเรา

การเลือกตามข้อจำกัด

• คุณต้องส่งมอบเอาต์พุตแบบข้อความหรือมัลติโมดัลตอนนี้ — Gemma 4 12B โดยไม่มีทางเลือกที่จริงจังในคู่นี้

• คุณต้องการการประมวลผลแบบออฟไลน์บนฮาร์ดแวร์ที่คุณควบคุมเอง — Gemma 4 12B เพราะมีไฟล์น้ำหนักโมเดลให้ใช้งานจริง

• คุณต้องการให้เอกสาร รูปภาพ หรือไฟล์บันทึกเสียงความยาว 30 วินาทีถูกทำความเข้าใจ — Gemma 4 12B

• คุณต้องการเสียงสดที่สามารถถูกขัดจังหวะได้ — Dessa เป็นเพียงตัวเดียวในสองตัวที่มุ่งเป้าไปที่สิ่งนั้น และมันไม่พร้อมใช้งาน

• คุณจำเป็นต้องมีการแสดงออกทางอารมณ์ในเสียงเอาต์พุต — เดโมของ Dessa คือหลักฐาน และเดโมเหล่านั้นได้รับการคัดเลือกโดยผู้ขาย

• คุณต้องการใบอนุญาตที่นำผ่านกระบวนการจัดซื้อได้ — Apache 2.0 ของ Gemma 4 12B เป็นใบอนุญาตเดียวที่มีอยู่ในตัวเลือก

อะไรจะทำให้สิ่งนี้เป็นการเปรียบเทียบที่แท้จริง

สามสิ่งที่จะเปลี่ยนคำตอบได้ คือ การมี Dessa API เพื่อให้ทั้งสองวัดบนบทสนทนาเดียวกันได้ การเผยแพร่จำนวนพารามิเตอร์และค่าความหน่วง เพื่อให้ข้ออ้างเรื่องแล็ปท็อปทำซ้ำได้ หรือโมเดลที่เน้นเสียงแบบเปิดน้ำหนักจากผู้อื่น ซึ่งจะเปลี่ยน "Dessa vs Gemma" ให้เป็นการเปรียบเทียบสถาปัตยกรรมแทนการเปรียบเทียบความพร้อมใช้งาน

จนถึงตอนนั้น สรุปอย่างยุติธรรมก็คือ Gemma 4 12B เป็นโมเดลมัลติโมดัลแบบโลคอลที่มีความสามารถ แต่มีคอขวดด้านข้อความที่มันไม่อาจกำจัดได้ ส่วน Dessa เป็นความพยายามที่น่าจับตามองในการกำจัดคอขวดนั้น โดยไม่มีวิธีสาธารณะใดให้ตรวจสอบผลลัพธ์ได้ ตัวแรกคือเครื่องมือ ตัวที่สองคือสมมติฐานที่นำเสนอออกมาได้อย่างมีคุณภาพสูง