ZoomGain-9B กับ Gemma 4 12B: แถวที่หายไปจาก Benchmark
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 119 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 99 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0727 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 121 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 230 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 40 tok/s
- Orcaใหม่OrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 129 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 98 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 125 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 105 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 63 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 406 tok/s
ตอนเปิดตัว มีการให้คะแนนโมเดล 28 ตัวบนเบนช์มาร์ก ZoomGain ประกอบด้วยระบบ closed-source frontier 4 ระบบ โมเดลวิชันแบบเอเจนต์ 4 ตัว ผู้เชี่ยวชาญเฉพาะทางระดับละเอียด 4 ตัว และโมเดลทั่วไปแบบโอเพนซอร์ส 16 ตัว Gemma ไม่ได้อยู่ในรายชื่อนั้น — ไม่ใช่ Gemma 4 12B ไม่ใช่ Gemma 4 31B และไม่ใช่โมเดลใดในซีรีส์ E การที่ชื่อเหล่านั้นหายไปคือข้อเท็จจริงที่มีประโยชน์ที่สุดเพียงข้อเดียวในการเปรียบเทียบ ZoomGain-9B กับ Gemma 4 12B เพราะนั่นหมายความว่าทุกตาราง "ZoomGain กับ Gemma" ที่คุณสร้างขึ้นได้ล้วนมีช่องโหว่อยู่ในนั้น และบทความนี้มุ่งพูดถึงว่าทั้งสองโมเดลเป็นอะไรกันจริง ๆ มากกว่าจะพูดถึงตัวเลขที่ไม่มีอยู่จริง
ทั้งสองมีขนาดใกล้เคียงกันพอที่จะชวนให้เปรียบเทียบกัน และมีจุดประสงค์ห่างกันมากพอที่จะทำให้การเปรียบเทียบนั้นชวนเข้าใจผิด ZoomGain-9B เป็นเช็กพอยต์แบบภาพและภาษาขนาด 9B จาก inclusionAI ซึ่งผ่านการฝึกเพิ่มเติมด้วยการเรียนรู้แบบเสริมกำลังจากคำถาม 9,000 ข้อที่ขุดมาจากพืชผล เปิดตัวเมื่อวันที่ 10 พฤศจิกายน 2026 พร้อมเปเปอร์แต่ไม่มีประกาศ ส่วน Gemma 4 12B เป็นโมเดลมัลติโมดัลแบบรวมที่ไม่ใช้เอนโคดเดอร์ของ Google DeepMind ขนาด 11.95B เผยแพร่เมื่อวันที่ 23 พฤษภาคม 2026 ภายใต้ Apache 2.0 มียอดดาวน์โหลด 1.8 ล้านครั้ง และถูกใจ 1,730 ครั้งในเดือนที่ผ่านมา ตัวหนึ่งเป็นเครื่องมือวิจัยที่มีความสามารถซึ่งแสดงให้เห็นแล้วเพียงอย่างเดียว อีกตัวเป็นผลิตภัณฑ์ที่มีสัญญาอนุญาต ชุดเอกสาร การควอนไทซ์หกแบบ และการใช้งานโดยชุมชนมาครึ่งปี
แต่ละอันจริง ๆ แล้วคืออะไร
Gemma 4 12B เป็นสมาชิกที่น่าสนใจในแง่สถาปัตยกรรมของตระกูล Gemma 4 โมเดล E2B, E4B และ 31B ใช้ตัวเข้ารหัสเฉพาะ — หอภาพที่มีพารามิเตอร์ประมาณ 150 ล้านตัวในรุ่นเล็ก และประมาณ 550 ล้านตัวในรุ่น 31B — แล้วส่ง embeddings ไปยังโมเดลภาษา ส่วนรุ่น 12B ไม่ได้ทำเช่นนั้น มันฉายแพตช์ภาพดิบและรูปคลื่นเสียงโดยตรงเข้าสู่พื้นที่ embedding ของตัวถอดรหัสผ่านเลเยอร์เชิงเส้นที่มีน้ำหนักเบา ซึ่งนี่คือความหมายของคำว่า "Unified" ในชื่อ และเป็นเหตุผลที่โมเดลนี้รองรับเสียง แต่รุ่น 31B ไม่รองรับ
รูปร่างของมัน: 48 เลเยอร์, ขนาด hidden 3,840, ขนาด intermediate 15,360, 16 หัว query เทียบกับ 8 หัว KV ที่มิติหัว 256, คลังคำศัพท์ 262,144 โทเค็น และจำนวนตำแหน่งสูงสุด 262,144 ตำแหน่ง สี่สิบจากสี่สิบแปดเลเยอร์เป็น attention แบบหน้าต่างเลื่อนที่ 1,024 โทเค็น; แปดเลเยอร์เป็น attention แบบเต็ม และเลเยอร์สุดท้ายเป็นแบบโกลบอลเสมอ อินพุตสามโมดัล เอาต์พุตข้อความ บริบท 256K และบทบาทระบบแบบเนทีฟ
ZoomGain-9B ถูกสร้างในทางกลับกัน แกนข้อความของมันคือ Qwen3.5-9B — 32 เลเยอร์, hidden 4,096, intermediate 12,288, ตารางการสลับ attention เชิงเส้นต่อ full attention ในอัตรา 3:1, ตำแหน่งสูงสุด 262,144 — โดยมี vision tower ที่ถูกติดตั้งโดยโมเดลฐานแทนที่จะคิดค้นขึ้นที่นี่ บนแกนดังกล่าว ผู้เขียนได้รัน GRPO กับคำถาม 9,000 ข้อ ซึ่งคำตอบขึ้นอยู่กับรายละเอียดที่มองเห็นได้เฉพาะเมื่อซูมเข้าไปในบริเวณหนึ่ง โมเดลนี้ไม่ได้ถูกฝึกมาเป็นผู้ช่วยทั่วไป และไม่ได้ถูกนำเสนอในฐานะผู้ช่วยทั่วไป
• พารามิเตอร์ — Gemma 4 12B 11.95B เทียบกับ ZoomGain-9B ประมาณ 9.4B (18.82 GB ใน BF16 เทียบกับขนาดไฟล์ของ 12B)
• รูปแบบข้อมูล — Gemma 4 12B รองรับข้อความ รูปภาพ วิดีโอ และเสียง; ZoomGain-9B รองรับข้อความและรูปภาพ เสียงไม่ใช่จุดที่ขาดหายไปในการอิมพลีเมนต์ของ ZoomGain แต่ไม่มีอยู่ในคอนฟิกของมัน
• บริบท — Gemma 4 12B ระบุไว้ในเอกสารว่า 256K ส่วนการ์ดของ ZoomGain-9B ไม่ได้ระบุข้อมูลใด ๆ เลย; คอนฟิกของมันสืบทอดตำแหน่งจำนวน 262,144 ตำแหน่งจากโครงข่ายหลัก Qwen3.5-9B ซึ่งไม่เหมือนกับคุณสมบัติที่ผ่านการทดสอบของเช็กพอยต์ที่ผ่านการปรับแต่ง
• ใบอนุญาต — Gemma 4 12B Apache 2.0 พร้อมไฟล์ใบอนุญาตที่ระบุชื่อ ZoomGain-9B: โค้ด Apache 2.0 ข้อกำหนดของ checkpoint ถูกเลื่อนไปยังการ์ดที่ไม่มีแท็กใบอนุญาต
• การเผยแพร่ — Gemma 4 12B เปิดตัวในรูปแบบ BF16, QAT q4_0 GGUF ขนาด 6.98 GB พร้อมโปรเจกเตอร์ขนาด 0.18 GB และมีบิลด์จาก ggml-org, unsloth และ litert; ZoomGain-9B เปิดตัวในรูปแบบ BF16 พร้อม GGUF ที่ F16, Q8_0 และ Q4_K_M ตั้งแต่วันที่ 11 พฤศจิกายน
• เอกสารประกอบ — Gemma 4 12B มีบล็อกเปิดตัว รายงานทางเทคนิค คุกบุ๊กสำหรับเฟรมเวิร์ก และหน้าใบอนุญาต ZoomGain-9B มีบทความ รีโพซิทอรี และการ์ดที่ไม่ได้ระบุความยาวบริบท
ทำไมแถวที่หายไปจึงไม่ใช่การมองข้ามที่คุณจะโบกมือปัดทิ้งได้
เบนช์มาร์ก ZoomGain ถูกสร้างขึ้นเพื่อเผยให้เห็นความล้มเหลวประการหนึ่ง: โมเดลที่ไม่สามารถแยกแยะรายละเอียดเล็ก ๆ ภายในกรอบขนาดใหญ่ได้ ผู้เขียนให้คะแนนการรู้จำคุณลักษณะ การนับ และ OCR จากคำถาม 1,000 ข้อและภาพ 941 ภาพ ในภาษาอังกฤษและภาษาจีน โดยใช้การจับคู่แบบตรงทั้งหมดสำหรับคำถามปรนัยและจำนวนเต็ม และใช้ ANLS ที่เกณฑ์ขั้นต่ำ 0.7 สำหรับ OCR ในการทดสอบนั้น โมเดลที่ดีที่สุดในบรรดา 28 โมเดลทำได้ 61.08 และมีเพียงห้าโมเดลที่ทำคะแนนเกิน 50
Gemma 4 12B ยังไม่เคยถูกนำไปรันบนสิ่งนี้ เช่นเดียวกับ Gemma ตัวอื่น ๆ ทั้งหมด นั่นทำให้คุณเหลือสองทางเลือก และมีเพียงทางเดียวเท่านั้นที่ซื่อสัตย์ คุณจะเอา MMMU Pro 69.1 และ MATH-Vision 79.7 ของ Gemma ไปเทียบกับค่าเฉลี่ย held-out 66.10 ของ ZoomGain แล้วเรียกมันว่าการเปรียบเทียบ ซึ่งเป็นการเอาชุดทดสอบมัลติโมดัลแบบกว้างมาเทียบกับค่าเฉลี่ยของเกณฑ์มาตรฐานด้านการรับรู้ 13 รายการ และให้ตัวเลขที่ไม่มีความหมาย หรือคุณจะพูดความจริงว่า ยังไม่มีใครวัดสองสิ่งนี้ด้วยไม้บรรทัดเดียวกัน และถ้าคำถามนี้สำคัญกับคุณ ชุดทดสอบนี้ดาวน์โหลดได้ และคุณสามารถรันเองได้ภายในบ่ายเดียว
ตัวเลือกที่สองมีราคาถูกกว่าที่ฟังดู ZoomGainBench จัดส่งในรูปแบบแอนโนเทชัน รูปภาพ และตัวประเมิน การประเมินรับเอนด์พอยต์ที่เข้ากันได้กับ OpenAI หรือเช็กพอยต์ภายในเครื่อง รันที่ temperature 0 โดยปิดโหมดคิด และรายงานผลลัพธ์รายคำถาม Gemma 4 12B รันภายใต้ vLLM หรือ llama.cpp นั่นคือการเปรียบเทียบแบบตัวต่อตัวที่คุณสร้างได้จริง และการที่ผู้เขียน benchmark ไม่ได้รวม Gemma ไว้เองก็เป็นข้อมูลที่บอกอะไรบางอย่าง — โมเดลนี้มีให้ใช้มาหกเดือนก่อนที่ benchmark นี้จะเผยแพร่
จุดที่ Gemma 4 12B มีตัวเลข และความหมายของตัวเลขเหล่านั้น
ตัวเลขเหล่านี้เป็นตัวเลขของ Google เองจากโมเดลการ์ด ซึ่งยังไม่ถูกทำซ้ำโดยห้องปฏิบัติการที่เป็นกลาง:
• MMMU Pro 69.1 — ชุดทดสอบการให้เหตุผลแบบหลายรูปแบบ และเป็นสิ่งที่ใกล้เคียงที่สุดบนการ์ดของ Gemma กับการอ้างถึงความสามารถด้านภาพ
• MATH-Vision 79.7 — การให้เหตุผลเชิงคณิตศาสตร์จากแผนภาพและรูปภาพ
• OmniDocBench 1.5 ระยะทางแก้ไขเฉลี่ย 0.164 — การแยกวิเคราะห์เอกสาร โดยยิ่งต่ำยิ่งดี; รุ่น 31B ทำได้ 0.131
• MMLU Pro 77.2, GPQA Diamond 78.8, AIME 2026 77.5 โดยไม่ใช้เครื่องมือ — ด้านข้อความ ซึ่ง ZoomGain-9B ไม่ได้กล่าวอ้างถึงเลยแม้แต่น้อย
• τ² เฉลี่ย 69.0 และการเรียกฟังก์ชันแบบเนทีฟ — การใช้งานเครื่องมือแบบเอเจนติก
• MRCR v2 eight-needle ที่ 128K, 43.4% — การดึงข้อมูลบริบทระยะยาว และเป็นตัวเลขที่บั่นทอนจุดขาย 256K มากที่สุด
อันสุดท้ายสมควรได้รับการเน้นเป็นพิเศษ หน้าต่าง 256K ไม่ใช่ attention ที่ใช้งานได้จริงเต็ม 256K และการที่ Google เผยแพร่คะแนน retrieval ที่ลดลงเหลือ 43.4% ที่ 128K ถือเป็นความตรงไปตรงมามากกว่าที่การ์ดโมเดลส่วนใหญ่เปิดเผย ถ้างานของคุณคือ "ค้นหาข้อเท็จจริงหนึ่งข้อในเอกสารขนาดใหญ่" หน้าต่างของ Gemma 4 12B นั้นมีจริง แต่ความสามารถในการเรียกคืนที่ความลึกนั้นอยู่ในระดับปานกลาง และไม่มีการวัดผลเทียบเท่าสำหรับ ZoomGain-9B เพราะไม่มีการประเมิน long-context กับโมเดลนี้
ในส่วนที่ ZoomGain-9B มีตัวเลข และข้อควรระวังที่แนบมากับแต่ละตัวเลขนั้น
ทั้งหมดเป็นข้อมูลที่ผู้เขียนรายงาน บนฮาร์เนสที่เผยแพร่แล้ว:
• HR-Bench 4K 90.25 เพิ่มขึ้นจาก 82.13 ของ Qwen3.5-9B ที่รุ่นนี้พัฒนามาจาก การรับรู้ความละเอียดสูง และเป็นข้อกล่าวอ้างหลักของการเปิดตัว
• V*Bench 93.19 เพิ่มขึ้นจาก 86.91 การตรวจจับวัตถุขนาดเล็กในฉากที่รกและวุ่นวาย
• MMVP 70.00 เพิ่มขึ้นจาก 60.00 การทดสอบภาพคู่ที่ภาพสองภาพเกือบเหมือนกันแต่มีคำตอบที่ถูกต้องต่างกัน — ซึ่งเป็นตัวเทียบเคียงที่มีอยู่ใกล้เคียงที่สุดกับสิ่งที่ ZoomGain ถูกฝึกมา
• ZoomGainBench 55.48 เพิ่มขึ้นจาก 32.13 ส่วนคอลัมน์ held-in นั้นถูกทำให้ดูสูงเกินจริงโดยธรรมชาติของการสร้างขึ้นมา และผู้เขียนเองก็กล่าวไว้เช่นนั้น
ค่าเฉลี่ยบนชุดข้อมูล held-out อยู่ที่ 66.10 จากเกณฑ์วัดทั้งหมดสิบสามรายการ เพิ่มขึ้นจาก 59.75 นี่คือตัวเลขที่มีความหมายจริง ๆ
ข้อควรระวัง เรียงตามลำดับที่คุณควรให้ความกังวล ข้อแรก ไม่มีใครนอกเหนือจากรายชื่อผู้เขียนที่ทำซ้ำผลลัพธ์ใด ๆ ได้ ข้อสอง benchmark และข้อมูลฝึกมาจากไปป์ไลน์เดียวกัน ซึ่งเป็นเหตุผลที่บทความตัด benchmark ของตัวเองออกจากค่าเฉลี่ยชุดที่กันไว้ นับเป็นวินัยที่น่ายกย่อง ข้อสาม ชุดฝึกมี 9,000 รายการ ซึ่งเล็กพอที่ผลตอบแทนอาจแคบ แม้ในกรณีที่เป็นผลจริง ข้อสี่ โมเดลไม่มี hosted endpoint และ ณ เวลาที่เขียนนี้ มีการแมปผู้ให้บริการบน Hub ว่างเปล่า
ต้นทุน ในแง่ที่ชี้ขาดได้จริง
Gemma 4 12B ที่ QAT q4_0 มีขนาด 6.98 GB บวกโปรเจกเตอร์ 0.18 GB ซึ่งใส่ในแล็ปท็อป 16 GB ได้แบบเหลือเฟือ และใส่การ์ด 8 GB ได้ถ้าพยายามสักหน่อย ZoomGain-9B ที่ Q4_K_M มีขนาด 5.63 GB บวกโปรเจกเตอร์ 0.52 GB ส่วนที่ Q8_0 มีขนาด 9.53 GB บวก 0.62 GB ตัว 9B เป็นไฟล์ดาวน์โหลดที่เล็กกว่าในทุกระดับความแม่นยำเพราะเป็นโมเดลที่เล็กกว่า และโครงหลักที่เน้น linear attention ของมันทำให้มี KV cache สั้นลงเมื่อความยาวลำดับมาก ซึ่งสำคัญถ้าคุณป้อนภาพความละเอียดสูงแทนข้อความยาว
วันนี้ยังไม่สามารถเรียกใช้ทั้งสองตัวผ่านเราได้ Gemma 4 12B ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และ ZoomGain-9B ก็เช่นกัน คำตอบที่ตรงไปตรงมาจึงเป็นว่า ทั้งสองตัวคือการตัดสินใจเรื่อง self-host หรือ API ของผู้ให้บริการ และสิ่งที่เราโฮสต์จริง ๆ คือ Gemma 4 26B A4B ในราคา $0.06 ต่อหนึ่งล้านโทเค็นอินพุต และ $0.33 ต่อหนึ่งล้านโทเค็นเอาต์พุต พร้อมหน้าต่าง 262K — ตระกูลเดียวกัน มีงบพารามิเตอร์ที่ใช้งานอยู่มากกว่าสี่เท่า และเป็นวิธีที่ชอบธรรมในการค้นหาว่าโปรไฟล์การแยกวิเคราะห์เอกสารของ Gemma เหมาะกับไปป์ไลน์ของคุณหรือไม่ ก่อนที่คุณจะดาวน์โหลดอะไรสักอย่าง คีย์เดียวใช้ได้กับโมเดลนี้และโมเดลอื่นอีกกว่า 200 โมเดล ในราคาตามรายการโดยไม่บวกเพิ่ม ดังนั้นการทดสอบเทียบกันระหว่าง vision endpoint กับโมเดลข้อความราคาถูกจึงใช้เวลาแค่บ่ายเดียว ไม่ใช่สัญญาสามฉบับ
เลือกตามงาน ไม่ใช่ตามตำแหน่ง
หากงานคือรายละเอียดเล็ก ๆ ภายในภาพขนาดใหญ่ — หมายเลขซีเรียลบนอุปกรณ์ ข้อความบนป้ายที่อยู่ไกล สีของวัตถุหนึ่งชิ้นในสี่สิบชิ้น หรือการนับหน้าต่างบนด้านหน้าอาคาร — ZoomGain-9B คือรุ่นที่สร้างมาเพื่องานนี้ โดยมีข้อควรระวังว่าหลักฐานของมันเป็นการรายงานด้วยตนเองและสัญญาอนุญาตของมันต้องอ่านให้ละเอียด สถาปัตยกรรมของมันถูกปรับให้เหมาะกับรูปแบบความล้มเหลวที่คุณกำลังเจออยู่พอดี
หากงานเป็นงานด้านภาพอื่นใด — การอ่านเอกสารหลายหน้า การบรรยายฉาก การตอบคำถามเกี่ยวกับแผนภูมิ การรับเสียงรวมถึงภาพ หรือการเรียกฟังก์ชันในภายหลัง — Gemma 4 12B คือผลิตภัณฑ์ที่สมบูรณ์ และการเปรียบเทียบก็ไม่สูสีอีกต่อไป โดยผ่านการพรีเทรนด้วยภาษา 140 ภาษา มีการเรียกใช้เครื่องมือแบบเนทีฟ หน้าต่างขนาด 256K พร้อมเส้นโค้งการดึงข้อมูลที่เผยแพร่ มีการควอนไทซ์ 6 รูปแบบ และมีสัญญาอนุญาตที่คุณยื่นให้ฝ่ายกฎหมายได้โดยไม่ต้องอธิบาย
ถ้างานเป็นทั้งสองอย่าง คำตอบที่ตรงไปตรงมาคือสองสิ่งนี้เป็นชั้นต่าง ๆ ของไปป์ไลน์เดียว ไม่ใช่ทางเลือกที่แยกจากกัน เอเจนต์ด้านเอกสารปี 2026 ที่สมจริงจะแยกวิเคราะห์ด้วยโมเดลมัลติโมดัลทั่วไป และส่งภาพครอปที่สำคัญต่อการตัดสินใจไปยังผู้เชี่ยวชาญด้านการรับรู้ — และการส่งต่อนี่เองคือจุดที่มีงานวิศวกรรมที่น่าสนใจ เพราะมันหมายถึงการตัดสินใจว่าเมื่อใดรายละเอียดหนึ่งจึงคุ้มค่ากับการเรียกครั้งที่สอง นั่นคือปัญหาการจัดเส้นทาง และนี่คือเหตุผลที่เราสนใจมัน: กฎที่ส่งการเรียกที่ราคาถูกไปยังโมเดลที่ราคาถูก และส่งการต่อยอดไปยังเอนด์พอยต์ใดก็ตามที่ผ่านเกณฑ์ของคุณ เป็นเพียงการเปลี่ยนคอนฟิกครั้งเดียว และ failover หมายความว่าผู้เชี่ยวชาญที่หยุดชะงักจะไม่ทำให้ไปป์ไลน์หยุดชะงัก
คำตัดสิน โดยระบุไว้ในรูปแบบที่หลักฐานรองรับ
Gemma 4 12B เป็นตัวเลือกที่ปลอดภัยกว่าในทุกเกณฑ์วัดที่ไม่ใช่ benchmark ด้านการรับรู้ ได้แก่ สัญญาอนุญาต เอกสารประกอบ การเผยแพร่ ความครอบคลุม ชุมชน และข้อเท็จจริงที่ว่า Google เผยแพร่ตัวเลขที่คุณสามารถโต้แย้งได้ ส่วน ZoomGain-9B เป็นโมเดลที่น่าสนใจกว่า และอาจเป็นเครื่องมือที่ดีกว่าสำหรับงานเฉพาะอย่างหนึ่ง โดยอิงจากหลักฐานที่ยังไม่มีผู้ใดซึ่งไม่ได้เขียนบทความนี้ตรวจสอบ
ขั้นตอนถัดไปที่ถูกต้องขึ้นอยู่กับว่าคุณพบว่าตัวเองเห็นด้วยกับประโยคใดในนั้น หากเป็นประโยคแรก ให้ดาวน์โหลด QAT GGUF แล้วหยุดอ่าน หากเป็นประโยคที่สอง ให้ดาวน์โหลด ZoomGainBench พร้อมกับน้ำหนักโมเดล — รูปภาพ 941 รูป คำถาม 1,000 ข้อ ตัวประเมิน และตัวเลขที่คุณสร้างเองได้ — แล้วรัน Gemma กับชุดนี้ จากนั้นคุณจะเป็นคนแรกที่ทำเช่นนั้น และคุณจะรู้บางสิ่งเกี่ยวกับทั้งสองโมเดลที่ผู้จำหน่ายทั้งสองรายยังไม่รู้ในตอนนี้
