Beam 1.0 so với Gemma 4 12B: 501 tỷ tham số đối đầu với 12, và khoảng cách đó thực sự mang lại điều gì

Một trong những mô hình này vừa vặn trên một chiếc laptop. Mô hình kia cần một tủ rack, và khoảng cách giữa chúng gấp bốn mươi lần. Reflection Beam 1.0 là một mô hình hỗn hợp chuyên gia thưa với tổng cộng 501,3 tỷ tham số, đánh thức 23,4 tỷ trong số đó mỗi token — được Reflection công bố vào ngày 5 tháng 10 năm 2026 dưới dạng bản xem trước có danh sách chờ, và thực tế đã phát hành dưới dạng trọng số có thể tải xuống vào ngày 16 tháng 10 năm 2026 theo Apache 2.0 ở các bản dựng BF16, FP8 và NVFP4, cùng với một mô hình nháp giải mã suy đoán DFlash2 nhỏ đi kèm. G​emma 4 12B là mô hình dense 11,95 tỷ tham số không có bộ mã hóa của G​oogle DeepMind, phát hành ngày 3 tháng 6 năm 2026, đọc được văn bản, hình ảnh, âm thanh và khung hình video, viết văn bản, và lượng tử hóa xuống đến mức một máy 16GB có thể chứa được. Cả hai giấy phép đều mang tính permissive, cả hai đầu ra đều là văn bản, và cả hai hiện đều có trên Hugging Face. Hầu như không có điểm nào khác về chúng là giống nhau, và câu hỏi hữu ích không phải là cái nào thông minh hơn — mà là cái nào trong hai giải quyết được vấn đề của bạn mà không cần một đơn mua hàng.

Điều này quan trọng hơn mức nó thường có, bởi vì trong mười một ngày, Beam 1.0 là một mô hình mà bạn chỉ có thể đọc về nó chứ không thể sở hữu. Thông báo ngày 5 tháng 10 của Reflection hứa hẹn trọng số Apache 2.0 "vào cuối tháng này", và kho lưu trữ vẫn trống rỗng. Tính đến ngày 16 tháng 10 năm 2026, bộ sưu tập đã hoạt động với bốn kho lưu trữ và thẻ mô hình mang theo một bảng đánh giá đầy đủ. Bản phát hành đó là lý do khiến so sánh này có thể được viết như một so sánh, thay vì chỉ là một ghi chú về một tiêu đề.

Nơi hai người họ đang đứng, trong một lượt

Tất cả nội dung bên dưới hoặc là tài liệu của chính nhà cung cấp, hoặc là của Artificial Analysis. Khi một con số là của nhà cung cấp và chưa có ai tái tạo lại được nó, trang này sẽ nói rõ ngay tại vị trí con số đó xuất hiện thay vì đặt trong phần miễn trừ trách nhiệm ở cuối trang.

• Tổng số tham số — Beam 1.0 501.3B so với G​emma 4 12B 11.95B. Tỷ lệ xấp xỉ 42:1.

• Tham số hoạt động trên mỗi token — 23,4B so với 11,95B. Tỷ lệ này thu hẹp xuống chỉ còn khoảng 2:1, và đó chính là toàn bộ mấu chốt: một mô hình thưa chỉ chi trả cho phần mà nó thực sự sử dụng.

• Kiến trúc — Beam 1.0 là một MoE 52 lớp với 256 chuyên gia, ba lớp dense và 49 lớp chuyên gia, attention cục bộ và toàn cục xen kẽ nhau, cùng attention truy vấn nhóm có cổng với attention cửa sổ trượt; Gemma 4 12B là mô hình dense, 48 lớp, hoàn toàn không có bộ mã hóa đa phương thức nào — việc xử lý thị giác và âm thanh được huấn luyện thẳng vào mô hình chứ không phải gắn thêm bên ngoài.

• Cửa sổ ngữ cảnh — Beam 1.0 1.000.000 token trên thẻ mô hình; Gemma 4 12B 262.144 token. Cả hai đều là con số lớn nhất mà họ mô hình tương ứng của chúng cung cấp.

• Phương thức — Beam 1.0 là văn bản vào, văn bản ra, và thẻ của nó nói rõ như vậy; G​emma 4 12B nhận văn bản, hình ảnh, âm thanh và khung hình video vào và trả về văn bản.

• Giấy phép — Apache 2.0 trên cả hai, dùng được cho mục đích thương mại, không giới hạn số người dùng. Đây là điểm mà hai mô hình gần như giống hệt nhau nhất.

• Đánh giá đã công bố — Beam 1.0 cung cấp một bảng đánh giá cho các checkpoint BF16, FP8 và NVFP4; thẻ của Gemma 4 12B mang số liệu của chính Google và đã được chấm điểm độc lập kể từ tháng Sáu.

• Điểm độc lập — Artificial Analysis Intelligence Index v4.3.2 xếp Beam 1.0 ở mức 30, đứng thứ 19 trong số 120 mô hình thuộc nhóm so sánh của nó, và G​emma 4 12B ở mức 14, đứng thứ 20 trong số 141 — khoảng cách 16 điểm nghiêng về phía mô hình lớn hơn, với con số của G​emma mang chú thích "ước tính" vì đánh giá độc lập trên mô hình 12B vẫn còn đang chờ.

Beam 1.0 thực sự là gì, giờ đây khi các trọng số đã tồn tại

Thẻ mô hình ghi rằng: 501,3 tỷ tham số tổng cộng, 23,4 tỷ tham số hoạt động, 52 lớp trong đó ba lớp dense và 49 lớp MoE, 256 chuyên gia, từ vựng 152.000 token, kiến thức cắt đến ngày 30 tháng 6 năm 2026, và phương thức chỉ văn bản. Mẫu chat là định dạng Harmony đã được sửa đổi với hai kênh — analysis và final — và một cài đặt reasoning_effort chấp nhận hoặc một số nguyên hoặc một trong các giá trị minimal, low, medium, high, xhigh và max, ánh xạ tới 8, 32, 64, 128, 256 và 512. Giá trị mặc định khi phục vụ lúc tham số không được đặt là 512. Tài liệu của chính mẫu này lưu ý rằng minimal, ở mức 8, là mức nỗ lực nhỏ nhất mà dữ liệu huấn luyện từng lấy mẫu, nên ngân sách nhỏ hơn sẽ không được tôn trọng.

Có ba điểm trong bản đặc tả đó đáng để tách riêng ra xem xét, vì chúng chính là những phần quyết định liệu bạn có thể dùng nó hay không.

Điều đầu tiên là cài đặt nỗ lực không có công tắc tắt. Beam luôn suy luận; bạn chọn mức độ nhiều ít. Với một vòng lặp agent, điều đó nghĩa là mỗi lượt đều mang theo một tiền tố cân nhắc bị tính phí và, nếu bạn phát lại lịch sử, sẽ bị tính phí lại. Template thậm chí còn báo lỗi khi allow_missing_thinking được đặt thành false và một lượt trợ lý trước đó đã bỏ phần suy luận của nó, chính xác là vì việc loại bỏ nó làm giảm chất lượng đầu ra. Đó là một chi phí đã được ghi nhận, không phải lỗi.

Thứ hai là các bản dựng đã lượng tử hóa. Reflection đã công bố các checkpoint FP8 và NVFP4 cùng ngày với mô hình BF16, song song với drafter DFlash2. Kho NVFP4 được liệt kê ở 255B so với 501B của BF16, và model card ghi nhận việc lượng tử hóa cho llm-compressor, đồng thời ghi công nhân viên NVIDIA vì đã hướng dẫn. Việc có một bản dựng bốn bit ngay từ ngày đầu sẽ thay đổi ai có thể chạy được nó — 501B ở bfloat16 là khoảng một terabyte trọng số, một cuộc trò chuyện mua sắm khác hẳn so với 255B ở bốn bit.

Điều thứ ba chính là thứ còn thiếu. Không có khuyến nghị triển khai nào trên thẻ, không có mức sàn phần cứng được công bố, và không có giá API được công bố ở bất cứ đâu trên các kênh riêng của Reflection. Trang của Artificial Analysis dành cho mô hình này ghi các trường giá là không khả dụng và lưu ý "Không có API công khai" — điều mà, đối với một mô hình có toàn bộ điểm bán là chạy rẻ, lại chính là dòng bạn muốn được điền vào.

Gemma 4 12B là gì, và vì sao kích thước lại chính là lý lẽ

Thẻ thông số của Google cho Gemma 4 12B thấy 11,95 tỷ tham số trên 48 lớp, ngữ cảnh 262.144 token, từ vựng dùng chung 262.000 token trên toàn bộ họ mô hình, và cửa sổ trượt 1.024 token — gấp đôi so với kích thước E2B và E4B nhỏ hơn. Cơ chế attention xen kẽ giữa attention cửa sổ trượt cục bộ với attention toàn cục đầy đủ, và lớp cuối cùng luôn là toàn cục. Nó được tiền huấn luyện trên hơn 140 ngôn ngữ với hỗ trợ sẵn dùng được công bố cho 35 ngôn ngữ trở lên.

Quyết định kỹ thuật đáng chú ý nằm ở kiến trúc: mô hình không có các bộ mã hóa riêng biệt. Cách G​oogle diễn đạt là khả năng xử lý đa phương thức được huấn luyện ngay từ đầu thay vì được gắn thêm, đó là lý do cùng một checkpoint phục vụ cả thị giác và âm thanh mà không cần tải thêm một bộ trọng số thứ hai. Trên một thiết bị, đó là sự khác biệt giữa một mô hình có thể triển khai được và một pipeline.

Google cũng đã tung ra huấn luyện nhận biết lượng tử hóa thay vì dựa vào một bộ lượng tử hóa hậu kỳ, và công bố một QAT GGUF ở khoảng 6,98 GB cho phần trọng số cùng một bộ chiếu đa phương thức nhỏ. Các bản lượng tử hóa của cộng đồng còn giảm sâu hơn: bản dựng Unsloth được mirror rộng rãi chạy từ khoảng 4,2 GB ở mức 2-bit mạnh tay nhất, qua 7,12 GB ở Q4_K_M và 12,67 GB ở Q8_0. Các bản dựng MLX cho Apple silicon nằm gần 12,7 GB ở 8-bit. Ngược lại, checkpoint tinh chỉnh theo chỉ dẫn ở độ chính xác đầy đủ là một tệp safetensors 23,92 GB duy nhất — dung lượng bfloat16 thô trước bất kỳ KV cache nào, và đây là con số cho bạn biết một máy 16GB không thể chứa nó khi chưa lượng tử hóa, còn một card 24GB thì có thể.

Tính điểm độc lập đã có sẵn ngay sau khi phát hành không lâu, và đó chính là sự bất đối xứng xuyên suốt toàn bộ trang này. Artificial Analysis đo mô hình 12B đạt 14 trên Chỉ số Thông minh v4.3.2, 117,6 token đầu ra mỗi giây, 2,43 giây đến token đầu tiên, cùng 0,10 đô la cho mỗi triệu token đầu vào so với 0,30 đô la cho mỗi triệu token đầu ra. Thẻ thông số của chính G​oogle báo cáo 78,2 trên MMLU Pro, 77,8 trên GPQA Diamond, 77,5 trên AIME 2026 không dùng công cụ, 72,0 trên LiveCodeBench v6 với ELO Codeforces là 1659, 69,1 trên MMMU Pro và 43,4 trên MRCR v2 ở 128K với tám needle.

Sự so sánh không tồn tại

Thẻ thông số của Beam 1.0 báo cáo SWE-bench Verified đạt 81,6% trên checkpoint BF16, 80,2% trên FP8 và 80,7% trên NVFP4; Terminal Bench v2.1 đạt 80,1, 78,9 và 78,4; SWE Bench Pro v1 đạt 66,1, 65,9 và 65,6; DeepSWE v1.1 đạt 43,3, 43,0 và 42,7; GPQA Diamond đạt 90,6, 90,3 và 89,3; AIME 2026 đạt 97,7, 98,0 và 97,5; LiveCodeBench đạt 88,3, 88,1 và 87,4; MCP Atlas đạt 80,8, 81,5 và 80,5 và IFBench đạt 79,6, 80,7 và 79,2. Các đánh giá sử dụng temperature 0,7 và top-p 0,99. Tất cả những điều đó là báo cáo của chính Reflection và chưa có phần nào được bên thứ ba tái lập.

Thẻ của Gemma 4 12B báo cáo các số liệu của riêng nó, cũng không được tái lập ở cấp từng benchmark, và Artificial Analysis đã chấm điểm mô hình này một cách độc lập. Giờ hãy đặt hai bên cạnh nhau và thử trừ đi. Bạn không thể. Bảng của Beam là bảng đánh giá các mô hình tiên phong về benchmark lập trình tác tử và sử dụng công cụ. Còn của Gemma là bảng benchmark về hiểu và suy luận đa phương thức. Ở những chỗ hai bên trùng nhau — thực chất là GPQA Diamond và AIME — thì các harness, thiết lập mức nỗ lực suy luận và tham số lấy mẫu đều không được ghi lại ở một bên và không rõ ở bên kia. Con số 90,6 so với 77,8 trên GPQA trông như một khoảng cách 13 điểm, và đó là sự so sánh thiết lập của một phòng thí nghiệm với thiết lập của một phòng thí nghiệm khác.

Con số duy nhất trên trang này mà một tổ chức duy nhất đo lường cả hai mô hình là Intelligence Index, và ở đó khoảng cách là 30 so với 14. Đó là một phép đo thực sự do bên thứ ba thực hiện theo một chỉ số tổng hợp đã được ghi chép lại. Đó cũng là khoảng cách 16 điểm đối với một mô hình có số lượng tham số gấp 42 lần và, dựa trên bằng chứng hiện có, hoàn toàn thuộc một lớp triển khai khác. Không ai nên ngạc nhiên về điều đó.

Chi phí thực tế để vận hành mỗi thứ

Cả Beam 1.0 lẫn Gemma 4 12B đều không có trong danh mục của chúng tôi. Điều OrcaRouter định tuyến từ dòng Gemma 4 là hai kích cỡ mà chúng tôi cung cấp: Gemma 4 26B A4B với $0.06 mỗi triệu token đầu vào và $0.33 mỗi triệu token đầu ra với ngữ cảnh 262,144 token, và Gemma 4 31B với $0.13 và $0.38 — giá niêm yết của nhà cung cấp được chuyển nguyên, không cộng thêm, lấy từ danh sách mô hình của chính chúng tôi vào ngày 16 tháng 10 năm 2026. Beam 1.0 không phải là thứ chúng tôi phục vụ, và trang này không giả vờ điều ngược lại; cách để dùng nó ngày hôm nay là tải nó xuống từ bộ sưu tập Hugging Face của Reflection hoặc gọi API riêng của Reflection.

Điều đó để lại so sánh chi phí trung thực như một so sánh phần cứng, và đó chính là phiên bản thực sự quan trọng ở đây. Nếu bạn đã sở hữu cỗ máy đó, G​emma 4 12B ở bốn bit chỉ là một bản tải xuống và một buổi chiều. Nếu bạn chưa có, tương đương tính phí theo mức dùng của 12B gần như là thứ rẻ nhất trong danh sách của chúng ta — ba mươi xu cho mỗi triệu token đầu ra — trong khi một mô hình 501B với 23B hoạt động là một dịch vụ thuê GPU mà bạn chưa được báo giá ở bất kỳ đâu, vì Reflection chưa công bố mức giá.

Cái nào trong hai cái là mô hình của bạn?

Chọn G​emma 4 12B nếu công việc mang tính đa phương thức, nếu nó phải chạy trên phần cứng bạn đã sở hữu hoặc trên một thiết bị bạn xuất xưởng, nếu độ trễ tính bằng vài trăm mili giây cho đến token đầu tiên là chấp nhận được, và nếu ngữ cảnh 256K bao phủ được tài liệu của bạn. Thiết kế không dùng encoder và quá trình huấn luyện nhận biết lượng tử hoá đều nhắm thẳng vào đối tượng độc giả đó, còn giấy phép Apache 2.0 nghĩa là bạn có thể xuất xưởng một sản phẩm phái sinh mà không cần trao đổi với G​oogle. Cái giá của lựa chọn này là năng lực: 14 trên chỉ số độc lập là một khoảng cách xa so với ranh giới tiên phong, và bộ benchmark quan trọng nhất với bạn — lập trình tác tử, suy luận ở quy mô kho mã nguồn — không phải là bộ mà G​oogle đã công bố.

Chọn Beam 1.0 nếu công việc là lập trình, sử dụng công cụ và thực thi tác tử tầm xa, nếu bạn có quyền truy cập cụm máy chủ hoặc một đối tác phục vụ, và nếu bạn có thể kham nổi một API không định giá cùng một ngân sách suy luận luôn bật. Các benchmark được công bố nhắm chính xác vào khối lượng công việc đó, bản dựng bốn bit khiến cuộc trò chuyện về phần cứng trở nên dễ dàng hơn đáng kể so với những gì số lượng tham số gợi ý, và giấy phép không mang hạn chế nào có thể ngăn cản một bản tinh chỉnh thương mại.

Đừng chọn cái nào cả nếu điều bạn thực sự cần là một câu trả lời trong tuần này. Cả hai đều là những mô hình mà bạn phải tự chạy. Những so sánh thực sự quan trọng cho quyết định đó — một mô hình được phục vụ ở mức giá đã công bố, trên một khóa bạn đã có sẵn — nằm ở một trang khác, và trang này nói về hai đầu của phổ open-weights chứ không phải phần giữa, nơi phần lớn lưu lượng production nằm.

Điều gì sẽ thay đổi trang này

Hai điều. Một benchmark độc lập đặt Beam 1.0 và Gemma 4 12B trên cùng một harness với cùng mức công sức sẽ thay thế so sánh chỉ dựa trên Index ở trên bằng một thứ có thể trừ ra được, và việc trọng số của Beam giờ đã công khai nghĩa là bất kỳ ai cũng có thể chạy nó. Một mức giá được công bố cho API của Beam — hoặc cho một triển khai FP8 hay NVFP4 được host — sẽ biến phần chi phí từ một lập luận về phần cứng thành một bảng giá. Cho đến khi một trong những điều đó thành hiện thực, tóm tắt chính xác là thế này: khoảng cách tham số 40-một mua được khoảng 16 điểm trí tuệ được đo lường độc lập cùng một bộ benchmark khác, và cái giá phải trả là bạn cần một chỗ để đặt nó.

Một kết quả như thế này cũng là lời nhắc rằng những sai sót của mô hình đã được ghi nhận: các sự cố AI và lỗi tác nhân đằng sau các mô hình thuộc lớp này được thu thập trong OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.