Granite Switch 4.1 8B เทียบกับ Gemma 4 12B: ผู้เชี่ยวชาญแบบประกอบรวม หรือโมเดลเดียวแบบรวมเป็นหนึ่ง?

ถามห้องแล็บสองแห่งว่าสร้างโมเดลที่สามารถสนทนา อ่านภาพหน้าจอ และถอดเสียงบันทึกเสียงได้อย่างไร คุณจะได้คำตอบที่ตรงกันข้าม Granite Switch 4.1 8B ซึ่ง IBM เปิดตัวเมื่อวันที่ 14 ตุลาคม 2026 เก็บโมเดลข้อความขนาด 8B แบบแช่แข็งไว้ และแขวนอะแดปเตอร์ขนาดเล็กที่สลับได้ไว้กับมัน ดังนั้นตัวตรวจสอบความปลอดภัย เอนจินตัดสินใจ และตัวรู้จำเสียงพูดจึงเป็นส่วนเสริมทั้งหมดบนแกนกลางที่ใช้ร่วมกัน Gemma 4 12B ซึ่ง Google เผยแพร่เมื่อวันที่ 23 พฤษภาคม 2026 ทำตรงกันข้าม: โมเดลขนาด 11.95 พันล้านพารามิเตอร์หนึ่งเดียวที่ฝึกตั้งแต่ต้นข้ามข้อความ ภาพ และเสียง โดยไม่มีเอนโคเดอร์แยกต่างหากให้ต่อเพิ่ม ทั้งคู่เป็น Apache-2.0 ทั้งคู่รันบน GPU เดียว และทั้งสองเห็นไม่ตรงกันในแทบทุกอย่างที่อยู่เบื้องหลัง

เวอร์ชันที่ใช้ได้จริง ก่อนลงรายละเอียด: Gemma 4 12B เป็นตัวเลือกที่โตเต็มที่สำหรับทุกอย่างที่ต้องมองเห็น เพราะมันเปิดเผยสู่สาธารณะมาแล้วห้าเดือน มีฐานผู้ติดตั้งขนาดใหญ่จริง ๆ และเส้นทางมัลติโหมดของมันถูกฝึกมาแทนที่จะเป็นการต่อเย็บภายหลัง Granite Switch 4.1 8B เป็นตัวเลือกที่น่าสนใจสำหรับทุกอย่างที่ต้องตัดสินใจ หรือต้องรันเอนด์พอยต์เดียวแทนที่จะเป็นสาม และมันเพิ่งอายุได้สองวันโดยยังไม่มีการประเมินอิสระเลย นี่ไม่ใช่คำตัดสินที่แข่งขันกัน — พวกมันเป็นคำตอบสำหรับคำถามที่ต่างกัน และส่วนที่เหลือของบทความนี้คือรายละเอียดที่ช่วยให้คุณบอกได้ว่าจริง ๆ แล้วคุณมีคำถามข้อไหน

การแบ่งแยกทางสถาปัตยกรรม กล่าวอย่างตรงไปตรงมา

Granite Switch 4.1 8B เป็นการประกอบกัน ฐานคือ Granite 4.1 8B — 40 เลเยอร์, ขนาด hidden 4,096, 32 query head เทียบกับ 8 KV head, หน้าต่าง 131,072 โทเคน, คำศัพท์ 100,352 โทเคนที่อะแดปเตอร์ทั้งสองขยายเพิ่มด้วย id ที่สงวนไว้สามรายการพอดี บนนั้นมีอะแดปเตอร์ LoRA ที่เปิดใช้งานสองตัว, guardian-core ที่แรงก์ 16 ครอบคลุมโปรเจกชัน attention และ decision ที่แรงก์ 64 ครอบคลุมทั้งเจ็ดโปรเจกชันนั้น บวกกับ Granite Speech 5.0 TurboCTC ตัวเข้ารหัสคอนฟอร์เมอร์แบบไม่ออโตรีเกรสซีฟขนาด 470M พารามิเตอร์ สำหรับอินพุตเสียง รวม: 8,776,400,896 พารามิเตอร์ เทียบกับ 8,380,551,168 ของฐาน — เพิ่มขึ้น 4.72% สำหรับอะแดปเตอร์สองตัวและโมเดลเสียง

Gemma 4 12B เป็นสแต็กเดียว คอนฟิกเรียกมันว่า gemma4_unifiedและชื่อนั้นเป็นไปตามตัวอักษร: ภาพ เสียง และวิดีโอต่างมี ID ของโทเคนของตัวเองภายในคลังคำศัพท์ขนาด 262,144 โทเคน และการ์ดอธิบายสถาปัตยกรรมว่าเป็นแบบไม่มีเอนโคเดอร์ หมายความว่าไม่มีวิชันทาวเวอร์หรือออดิโอทาวเวอร์แยกต่างหากที่ส่งโปรเจกชันเข้าสู่โมเดลภาษา มันสลับแอตเทนชันแบบโลคัลหน้าต่างเลื่อนบนหน้าต่างขนาด 1,024 โทเคน กับแอตเทนชันแบบโกลบอลเต็มรูปแบบ ใช้ p-RoPE สำหรับตำแหน่ง และขยายได้ถึงบริบท 256K Apache-2.0 เช่นเดียวกับ Granite

• พารามิเตอร์ — Granite Switch 4.1 8B: 8.78B เมื่อรวมทั้งหมด (ฐาน 8.38B) Gemma 4 12B: 11.95B

• บริบท — 131,072 โทเค็น เทียบกับ 256,000 โทเค็น

• คำศัพท์ — 100,355 เทียบกับ 262,144 โดยคำศัพท์ของ Gemma สงวนไว้สำหรับโทเค็นรูปภาพ เสียง และวิดีโอ

• รูปแบบข้อมูลใน — ข้อความและเสียง เทียบกับ ข้อความ รูปภาพ เสียง และวิดีโอ

• โมดัลลิตีที่ไม่อยู่ในขอบเขต — ข้อความเท่านั้น vs ข้อความเท่านั้น

• หัวเฉพาะทาง — การกระจายการตัดสินใจที่สอบเทียบแล้วและตัวจำแนกความปลอดภัย เทียบกับไม่มีเลย; Gemma ตอบคำถาม ไม่ได้ให้คะแนนป้ายตัวเลือก

• สัญญาอนุญาต — Apache-2.0 ทั้งคู่

จุดที่ Gemma 4 12B ชนะอย่างชัดเจน

ความสามารถด้านภาพไม่ได้ใกล้เคียงกันเลย Gemma 4 12B อ่านภาพได้โดยตรง ขณะที่ Granite Switch 4.1 8B ไม่มีเส้นทางสำหรับภาพเลยแม้แต่นิดเดียว หากไปป์ไลน์ของคุณนำเข้าสกรีนช็อต ไฟล์ PDF แผนภูมิ หรือภาพแคปเจอร์ UI นั่นก็จบการเปรียบเทียบเพียงเท่านี้ — ความฉลาดของอะแดปเตอร์ไม่ว่าจะมากแค่ไหนก็ทดแทนโมดัลลิตีที่เช็กพอยต์ไม่รองรับไม่ได้

ประวัติการใช้งานคือข้อที่สอง Gemma 4 12B อยู่บน Hub ตั้งแต่ 23 พฤษภาคม 2026 และรุ่น instruct ที่เป็นพี่น้องของมันมียอดดาวน์โหลดเกิน 1.6 ล้านครั้ง; เช็คพอยต์ฐานเพียงอย่างเดียวก็เกิน 79,000 แล้ว ตัวเลขทั้งสองเป็นจำนวนการดาวน์โหลดจาก Hub ไม่ใช่ตัวเลขการใช้งานจริง ดังนั้นจึงเกินจริงเมื่อเทียบกับการนำไปใช้จริง แต่ทิศทางนั้นชัดเจน: มีผู้คนจำนวนมากที่พบเจอโหมดความล้มเหลวของมันแล้วและเขียนถึงโหมดความล้มเหลวเหล่านั้น Granite Switch 4.1 8B ณ เวลาที่เขียนนี้ มีอายุได้สองวัน โดยมียอดดาวน์โหลดไม่กี่สิบครั้งและมีไลก์ไม่กี่ครั้ง รายงานข้อบกพร่องสาธารณะห้าเดือนเป็นสินทรัพย์ที่คุณไม่สามารถซื้อได้ และเป็นข้อโต้แย้งที่แข็งแกร่งที่สุดเพียงข้อเดียวสำหรับ Gemma บนเส้นทางสู่โปรดักชันในไตรมาสนี้

ความยาวคอนเท็กซ์เป็นข้อที่สาม และเป็นข้อที่เงียบ ๆ 256K เทียบกับ 131,072 ไม่ใช่ความแตกต่างเชิงการตลาดเมื่อคุณต้องป้อนเอกสารยาว ๆ ทั้งสองโมเดลไม่ต้องใช้วิธีเลี่ยงสำหรับงานแชตทั่วไป แต่มีเพียงตัวเดียวเท่านั้นที่จะรองรับบริบทระดับทั้งรีพอซิทอรีได้โดยไม่ต้องแบ่งชาร์ด

จุดที่ Granite Switch 4.1 8B ชนะอย่างเด็ดขาด

อะแดปเตอร์การตัดสินใจเป็นความสามารถที่โมเดลอื่นไม่มี ให้สถานะและคำถามที่มีตัวเลือกติดป้ายกำกับ แล้วมันจะคืนค่า softmax ที่ปรับเทียบแล้วเหนือป้ายกำกับเหล่านั้นในการส่งผ่านไปข้างหน้าครั้งเดียว — การเรียกตามเอกสารขอ vLLM สำหรับ logprobs ของ ID โทเคนป้ายกำกับเหล่านั้นโดยเฉพาะและยกกำลังค่าเหล่านั้น ให้ผลลัพธ์ในรูปแบบ A: 0.982, B: 0.0035, C: 0.014 โมเดลทั่วไปสามารถถูกกระตุ้นให้เลือกป้ายกำกับได้ แต่การกระตุ้นให้ผลเป็นโทเคน ไม่ใช่การแจกแจงที่คุณสามารถตั้งเกณฑ์ เปรียบเทียบข้ามเทิร์น หรือบันทึกเป็นคะแนนที่ปรับเทียบแล้ว สำหรับตรรกะการกำหนดเส้นทาง การคัดแยก เกณฑ์การยกระดับ และอะไรก็ตามที่ต้องการค่าความเชื่อมั่นแทนคำตอบ นั่นคือเอาต์พุตอีกประเภทหนึ่ง

การรวมทุกอย่างไว้ที่ endpoint เดียวเป็นข้อที่สอง การถอดเสียงพูดทำงานบน endpoint เดียวกับแชตและการตัดสินใจ คุณเพียงส่งส่วนเนื้อหา input_audio ในการเรียก chat completion ตามปกติ แล้วเอ็นโค้ดเดอร์ขนาด 470M จะถอดเสียงก่อนจะแทรกข้อความนั้นเข้าไปในบริบท ไม่ต้องมีเซิร์ฟเวอร์ตัวที่สอง ไม่มีเลเยอร์สำหรับประสานงาน ไม่มีบิล ASR แยกต่างหาก Gemma 4 12B ก็รับเสียงได้เช่นกัน ดังนั้นนี่จึงไม่ใช่ช่องว่างด้านความสามารถ แต่เป็นความแตกต่างด้านรูปแบบการติดตั้งใช้งาน และมันจะสำคัญก็ต่อเมื่อคุณมีแผนจะรันบริการเสียงแยกต่างหากควบคู่กับ LLM อยู่แล้ว

Footprint เป็นข้อที่สาม 8.78B เทียบกับ 11.95B คือน้ำหนักที่ต้องถือน้อยลงราวหนึ่งในสี่ และการออกแบบ shared-KV-cache หมายความว่าอะแดปเตอร์แต่ละตัวไม่ต้องถือสถานะ attention ของตัวเอง IBM อ้างว่าโมเดลที่ประกอบขึ้นใช้ VRAM ใกล้เคียงกับ base เพียงอย่างเดียว ข้ออ้างเฉพาะนั้นยังไม่ถูกทำซ้ำ แต่ส่วนต่างพารามิเตอร์ 4.72% ที่อยู่เบื้องหลังนั้นเป็นข้อเท็จจริงจาก build manifest

สองข้อกล่าวอ้างฝั่ง Granite ที่ยังไม่เป็นข้อเท็จจริง

หมายเลข Decision Index ที่เผยแพร่แล้วสำหรับ decision อะแดปเตอร์คือ 42.9 โดยรวมบนชุดย่อยสาธารณะแบบเร็ว edition-v0.3 จำนวน 1,068 แถว โดยมีคะแนนรายด้านคือ ความรู้ 29.1, ภาษา 48.9, การดึงข้อมูล 49.8, เครื่องมือ 59.8 และศิลปะ 18.0 IBM เป็นผู้ดำเนินการประเมินนั้นและ IBM เป็นผู้เผยแพร่ ไม่มีใครอื่นทำซ้ำได้ และไม่มีรายการบนลีดเดอร์บอร์ดจากบุคคลที่สามสำหรับ Granite Switch เลยแม้แต่รายการเดียว อ่านรูปร่างด้วย: 59.8 ในเครื่องมือที่อยู่ข้าง 18.0 ในศิลปะเป็นโปรไฟล์เฉพาะทาง ไม่ใช่คะแนนความสามารถทั่วไป และการ์ดระบุอย่างชัดเจนให้ถือความน่าจะเป็นของตัวเลือกเป็นไพรเออร์ มากกว่าการจำแนกประเภทที่ผ่านการรับรองในโดเมนที่อะแดปเตอร์ไม่ได้ถูกฝึกมา

อันที่สองคือเส้นทางเสียงพูด และเป็นข้อกล่าวอ้างที่มีแนวโน้มจะถูกตีความเกินเลยมากที่สุด ตัวเข้ารหัส (encoder) รองรับเฉพาะภาษาอังกฤษเท่านั้น เอาต์พุตของมันเป็นตัวพิมพ์เล็กและไม่มีเครื่องหมายวรรคตอน และ — ตามคำกล่าวของ IBM เองในโมเดลการ์ด — ตัวเข้ารหัสเสียงพูดกับ LLM นั้นไม่ได้ถูกฝึกมาด้วยกัน; ไม่มีโปรเจกชันที่ผ่านการฝึกซึ่งเชื่อมทั้งสองเข้าด้วยกัน เส้นทางเสียงของ Gemma 4 12B ถูกฝึกมาเป็นส่วนหนึ่งของตัวโมเดล นั่นคือความแตกต่างที่แท้จริง และมันยังคงอยู่แม้จะผ่านคำพูดเรื่องการรวมเอนด์พอยต์ทั้งหมดนั้นมาแล้ว: ระบบหนึ่งมีความเชื่อมโยงที่ผ่านการฝึกระหว่างเสียงกับความหมาย ส่วนอีกระบบหนึ่งมีบทถอดเสียงที่ถูกต่อเข้าสู่พรอมป์ตโดยองค์ประกอบที่ไม่เคยถูกปรับให้เหมาะสมกับการทำงานร่วมกับสิ่งที่อ่านมันเลย

รันทั้งคู่เคียงข้างกัน

เช็กพอยต์ทั้งสองตัวดาวน์โหลดได้ ทั้งคู่เป็น Apache-2.0 และการวางกรอบอย่างตรงไปตรงมาก็คือพวกมันอยู่ในตำแหน่งที่แตกต่างกัน มากกว่าจะเอามาแข่งประชันกันแบบ bake-off Gemma 4 12B คือสิ่งที่คุณหยิบมาใช้เมื่ออินพุตมีพิกเซล Granite Switch 4.1 8B คือสิ่งที่คุณหยิบมาใช้เมื่อเอาต์พุตต้องเป็นความน่าจะเป็น หรือเมื่อคุณต้องการให้เอนด์พอยต์เดียวทำแชต ตัดสินใจ และถอดเสียง และยอมรับได้ว่าครึ่งที่ถอดเสียงนั้นเป็นการต่อพ่วงมากกว่าจะเป็นเส้นทางที่ฝึกมา

ถ้าคุณกำลังเปรียบเทียบทั้งสองตัว จงทำโดยไม่ต้องรื้อระบบสแตกของคุณ OrcaRouter เปิดให้เข้าถึงโมเดลกว่า 200 รุ่นผ่านคีย์ API เดียว พร้อมการสลับอัตโนมัติเมื่อเกิดข้อขัดข้อง และ ส่งต่อราคาตามที่ผู้ให้บริการระบุไว้โดยไม่บวกราคาเพิ่ม 0% ดังนั้นเมื่อผู้ให้บริการปรับราคา การเปลี่ยนแปลงจะมาถึงที่นี่ภายในวันเดียวกัน ไม่ใช่รอถึงรอบอัปเดตแคตตาล็อกครั้งถัดไป img src="4.png" alt="ภาพหน้าจอของหน้าโมเดล OrcaRouter สำหรับ Gemma 4 26B A4B ซึ่งแสดงโมเดลที่ติดแท็ก Vision, Tools, JSON และ Reasoning พร้อมบริบท 262K โทเคน อินพุตแบบข้อความ รูปภาพ และวิดีโอ วันที่เปิดตัวโดย Google คือ 2026-04-03 ราคาต่อล้านโทเคนอยู่ที่ $0.06 สำหรับอินพุต และ $0.33 สำหรับเอาต์พุต ค่า p50 ของเวลาถึงโทเคนแรกอยู่ที่ 2.74 วินาที และข้อความแนะนำที่อธิบาย Gemma 4 26B A4B IT ว่าเป็นโมเดลแบบ mixture-of-experts ที่ปรับแต่งด้วยคำสั่ง มีพารามิเตอร์รวม 25.2B โดยเปิดใช้งาน 3.8B ต่อโทเคน" /> ปัจจุบันยังไม่มีเช็กพอยต์ทั้งสองตัวนี้ในแคตตาล็อกของเรา และเราจะไม่เสแสร้งว่าเป็นอย่างอื่น — Granite Switch คือไฟล์ดาวน์โหลดจาก Hugging Face และคอนเทนเนอร์ vLLM ส่วน Gemma 4 12B ก็เช่นกัน จุดประสงค์ของการวางตัวเลือกไว้หลังคีย์เดียวก็คือ เมื่อมันพร้อมใช้งานจริง การเปรียบเทียบกับตัวที่ใช้อยู่บนทราฟฟิกของคุณเองจะมีค่าใช้จ่ายเพียงสตริงชื่อโมเดล ไม่ใช่การโยกย้ายระบบ ลองพิจารณาโมเดลที่เราให้บริการอยู่จริง เช่น Gemma 4 26B A4B เป็นสะพานเชื่อม เพราะมันอยู่ในตระกูลเดียวกับโมเดลที่คุณกำลังประเมิน อยู่บนปลายทางที่โฮสต์ไว้ และพร้อมใช้แล้ววันนี้

อันไหน สำหรับใคร

เลือก Gemma 4 12B หากงานของคุณมีพิกเซลเข้ามาเกี่ยวข้อง หากคอนเท็กซ์ 256K เป็นส่วนสำคัญที่ขาดไม่ได้ หรือหากคุณกำลังจะปล่อยงานในไตรมาสนี้และอยากมีข้อผิดพลาดของคนอื่นห้าเดือนคั่นกลางระหว่างคุณกับโปรดักชัน เลือก Granite Switch 4.1 8B หากคุณต้องการการแจกแจงที่ปรับเทียบแล้วเหนือตัวเลือกที่มีป้ายกำกับ แทนที่จะเป็นเพียงคำตอบ หากการรวมแชต การตัดสินใจ และเสียงไว้ที่ปลายทางเดียวช่วยลดบริการหนึ่งออกจากสถาปัตยกรรมของคุณ หรือหากคุณเป็นทีมประเภทที่อยากอ่านไฟล์ build manifest แล้วประกอบเวอร์ชันของตัวเอง — ตัวคอมโพเซอร์เป็นสาธารณะและแคตตาล็อกอะแดปเตอร์เปิดให้ใช้

อย่าเอา Granite Switch 4.1 8B ไปใช้งานด้าน vision มันไม่มีความสามารถด้านนั้นเลย และอย่าเลือกใช้ทั้งสองตัวโดยอิงจากตัวเลข benchmark ที่คุณยังไม่ได้รันเอง เพราะคะแนนตัดสินใจเดียวในการเปรียบเทียบนี้เป็นคะแนนที่ผู้ขายรายงานเอง โดยไม่มีเสียงความเห็นที่สองรองรับ — ซึ่งนั่นเป็นข้อความเกี่ยวกับสถานะของหลักฐาน ไม่ใช่เกี่ยวกับตัวโมเดล