Dessa vs Gemma 4 12B: Hai mô hình laptop, chỉ một mô hình bạn có thể tải xuống

So sánh hữu ích nhất giữa Dessa và Gemma 4 12B không phải là điểm chuẩn. Đó là một tệp. Gemma 4 12B — mô hình trọng số mở 11,95 tỷ tham số của Google DeepMind, được công bố dưới tên Gemma 4 12B Unified theo Apache 2.0 vào ngày 3 tháng 6 năm 2026 — là một checkpoint bạn có thể tải xuống ngay chiều nay, chạy trên một laptop 16 GB và tinh chỉnh mà không cần hỏi ai. Dessa, mà Block công bố vào ngày 23 tháng 10 năm 2026, là một mô hình giọng nói song công hoàn toàn chạy trên MacBook Pro M4 Max theo nhà sản xuất, chỉ có điều bạn không thể tải xuống, gọi nó hay kiểm tra nó. Nó nằm sau danh sách chờ không có trọng số, không có API, không có giá và không có số lượng tham số được công bố.

Cả hai đều được bán dưới dạng mô hình cục bộ. Chỉ một trong hai thực sự được phân phối. Sự khác biệt đó chi phối mọi thứ còn lại: những gì bạn có thể xây dựng, những gì bạn có thể đo lường, và thậm chí cả ý nghĩa của việc "chạy trên laptop".

Câu trả lời ngắn gọn, và lý do vì sao nó ngắn gọn.

Nếu mục tiêu của bạn là tung ra thứ gì đó trong quý này có thể xử lý văn bản, hình ảnh, âm thanh hoặc video, thì Gemma 4 12B là lựa chọn duy nhất trong hai mô hình là một sản phẩm mà bạn có thể dùng. Nếu mục tiêu của bạn là nghiên cứu giọng nói song công toàn phần — một mô hình vừa nghe vừa nói, chen ngang và bị ngắt lời mà không mất mạch — thì Dessa là một hiện vật nghiên cứu thú vị hơn, và bạn chưa thể có được nó.

Nghe có vẻ như đó là một lời gạt bỏ. Nó gần hơn với mô tả về hai giai đoạn trưởng thành khác nhau. Gemma 4 12B là một bản phát hành mở đã hoàn thiện với giấy phép, thẻ mô hình và bảng điểm chuẩn. Dessa là một bản xem trước nghiên cứu với một đoạn video demo. So sánh chúng về năng lực giống như so sánh một chiếc máy ảnh đã xuất xưởng với một nguyên mẫu phòng thí nghiệm: nguyên mẫu có thể có cảm biến tốt hơn, nhưng chỉ một trong hai chụp được bức ảnh mà bạn có thể giữ lại.

Hai nghĩa của "local"

Câu chuyện chạy cục bộ của Gemma 4 12B rất cụ thể. Đây là một mô hình dense chỉ gồm decoder với kiến trúc hợp nhất không có encoder — 48 lớp, các patch hình ảnh được chiếu trực tiếp, âm thanh được xử lý mà không cần một encoder riêng. Google định vị nó cho khoảng 16 GB bộ nhớ hợp nhất, và các trọng số có trên Hugging Face ở định dạng BF16, với các bản dựng GGUF, MLX và các bản dựng cộng đồng khác theo sau. Bạn có thể chạy nó ngoại tuyến, trên máy bay, mà không cần tài khoản.

Câu chuyện chạy cục bộ của Dessa chỉ là một câu trên một trang: suy luận chạy nhanh hơn thời gian thực trên MacBook Pro M4 Max hoặc mạnh hơn. Không có con số bộ nhớ, không có lượng tử hóa, không có kích thước tệp và không có tải xuống. Tuyên bố có thể hoàn toàn đúng. Nó cũng không thể bị phản bác từ bên ngoài, bởi vì “chạy cục bộ” trong một bài đăng của nhà cung cấp có thể có nghĩa là “các nhà nghiên cứu của chúng tôi đã demo nó trên một chiếc laptop” chứ không phải “bạn sẽ chạy nó trên máy của bạn”. Cho đến khi có một tệp trọng số hoặc một trình cài đặt, cách hiểu trung thực là cách hiểu đầu tiên.

Người ta nghe, người ta trò chuyện.

Sự khác biệt về kiến trúc rõ nét hơn khoảng cách về tham số. Gemma 4 12B là một trình đọc đa phương thức: văn bản, hình ảnh, âm thanh và video đi vào; văn bản đi ra. Đầu vào âm thanh của nó bị giới hạn ở 30 giây mỗi clip, và đầu vào video ở khoảng 60 giây với một khung hình mỗi giây. Trong những giới hạn đó, nó có thể phiên âm, dịch, mô tả, trả lời câu hỏi về một bản ghi và trích xuất dữ liệu có cấu trúc. Nói cách khác, nó cực kỳ giỏi trong việc biến một phần thế giới có giới hạn thành văn bản.

Dessa là một luồng hội thoại: âm thanh vào, âm thanh ra, hoàn toàn không có khâu văn bản nào. Không có bản ghi lời nào để kiểm tra, không có ranh giới token và không có bước tổng hợp riêng biệt. Tuyên bố của Block là điều này bảo toàn ngữ điệu, tiếng cười, tiếng thở dài và nhịp điệu mà một pipeline chuyển giọng nói thành văn bản rồi thành giọng nói làm phẳng. Các bản demo của nó cho thấy mô hình cười giữa câu, khớp âm lượng và hoàn thành tên bộ phim mà người nói đã quên.

Hệ quả thực tế là hai mô hình không thể thay thế cho nhau ở cấp độ API. Bạn không thể gửi cho Dessa một tệp PDF. Bạn không thể yêu cầu Gemma 4 12B bị ngắt giữa chừng khi đang trả lời, vì nó không tạo ra luồng âm thanh để ngắt. Một sản phẩm giọng nói được xây dựng trên Gemma cần ít nhất hai thành phần bổ sung; còn một sản phẩm tài liệu được xây dựng trên Dessa là điều hoàn toàn không thể.

Bảng thông số kỹ thuật, với cả hai mặt nằm trên cùng một dòng

Các số liệu dưới đây do nhà cung cấp báo cáo, trừ khi có ghi chú khác. Số liệu của Gemma đến từ thẻ mô hình của Google; của Dessa đến từ trang thông báo của Block, nơi công bố ít hơn nhiều.

• Tham số — Gemma 4 12B 11.95B dense so với Dessa không được tiết lộ.

• Trọng số — Gemma 4 12B Apache 2.0 tải xuống so với Dessa không có bản công bố.

• Ngữ cảnh — Gemma 4 12B 262,144 token so với Dessa không được nêu rõ, và không có giao diện token nào để đo lường đối chiếu.

• Đầu vào — Gemma 4 12B văn bản, hình ảnh, âm thanh tối đa 30 giây, video tối đa khoảng 60 giây so với Dessa, một luồng âm thanh trực tiếp.

Đầu ra — văn bản Gemma 4 12B so với âm thanh Dessa.

• Tương tác — Gemma 4 12B yêu cầu và phản hồi theo lượt so với Dessa song công toàn phần, có ngắt lời và phản hồi nền.

• Phần cứng — Gemma 4 12B cần khoảng 16 GB bộ nhớ hợp nhất, so với Dessa cần một MacBook Pro M4 Max hoặc tốt hơn, theo Block.

• Giá — Gemma 4 12B miễn phí tải xuống; giá dịch vụ lưu trữ tại các nhà cung cấp bên thứ ba dao động khoảng $0.10 cho đầu vào và $0.30 cho đầu ra trên mỗi triệu token, trong khi Dessa không có giá.

• Điểm chuẩn — Gemma 4 12B có bảng do nhà cung cấp công bố, còn Dessa thì không.

• Tính khả dụng — Gemma 4 12B được cung cấp rộng rãi từ tháng 6 năm 2026, so với Dessa có danh sách chờ và một bản xem trước nhỏ dành cho các nhà nghiên cứu an toàn.

Nơi Gemma 4 12B thắng theo mặc định

Bắt đầu với những con số Google công bố, tất cả đều do nhà cung cấp báo cáo và chưa được tái lập tại đây: MMLU-Pro 77.2, GPQA Diamond 78.8, AIME 2026 77.5 khi không dùng công cụ, LiveCodeBench v6 72.0, Codeforces Elo 1659, Tau2 69.0, MMMU-Pro 69.1 và HLE 5.2. Xu hướng cho thấy đây là một mô hình cỡ trung, mạnh so với phân khúc của nó về suy luận và thị giác, yếu ở những câu hỏi tiên phong khó nhất và đủ năng lực trong việc sử dụng công cụ. Cửa sổ ngữ cảnh 256K và khả năng gọi hàm gốc giúp nó trở thành xương sống hợp lý cho một tác nhân đọc một tài liệu dài rồi hành động.

Artificial Analysis, vốn độc lập với Google, ước tính biến thể suy luận đạt 14 trên Intelligence Index của mình — được đánh dấu là ước tính chứ không phải một lần chạy đo lường thực tế, và cao hơn hẳn mức trung vị 8 của các mô hình mở tương đương. Đó là một sự điều chỉnh hữu ích đối với bảng của nhà cung cấp: một mô hình cỡ trung, được bên thứ ba xếp hạng ở mức trung bình.

Các con số về âm thanh của nó khiêm tốn hơn và liên quan hơn đến phép so sánh này. CoVoST đạt 38,5 và FLEURS đạt 0,069 (càng thấp càng tốt), cả hai đều do nhà cung cấp báo cáo, trong đó con số CoVoST không bao gồm tiếng Trung. Đó là các chỉ số dịch và nhận dạng giọng nói, không phải chất lượng hội thoại. Gemma có thể nghe một đoạn clip 30 giây và cho bạn biết người ta đã nói gì. Nó không thể duy trì một cuộc gọi trực tiếp.

Giấy phép là phần quyết định hầu hết các câu hỏi thương mại. Apache 2.0 nghĩa là không có ngưỡng doanh thu, không đàm phán về mục đích sử dụng được chấp nhận, và không cần sự cho phép của nhà cung cấp để tinh chỉnh mô hình. Với một đội ngũ muốn tự sở hữu đường suy luận của mình, điều đó đáng giá hơn một bản demo tốt hơn.

Nơi những bản demo của Dessa hướng đến, nếu chúng đứng vững

Điều thú vị không phải là Dessa nghe giống người thật. Mà là việc loại bỏ nút thắt văn bản cũng loại bỏ một nhóm lỗi. Một quy trình chuyển âm thanh thành văn bản trước tiên phải quyết định khi nào bạn nói xong; nó chốt một bản ghi lời trước khi có thể phản hồi; nó làm mất tiếng thở dài. Một mô hình song công không bao giờ đưa ra cam kết đó. Nếu các clip của Block là đại diện, kết quả là một cuộc trò chuyện chịu được sự chồng lấn — bạn có thể nói chồng lên nó, và nó có thể nói chồng lên bạn.

Điều còn thiếu là bất kỳ cách nào để biết liệu các clip có tính đại diện hay không. Block nói rằng không ai điều khiển mô hình và phụ đề được thêm vào sau đó, điều này loại trừ cách dàn dựng thô sơ nhất. Công ty không công bố một tập dữ liệu giữ riêng để kiểm thử, một phân bố độ trễ, một tỷ lệ phục hồi sau gián đoạn, hay một điểm số về độ dễ hiểu trong điều kiện ồn. The Verge nhận thấy các bản demo tương tự "hơi khó xử và kỳ lạ", bao gồm một clip trong đó mô hình gọi đối tác của mình là "Ronaldo". Một đoạn reel được tuyển chọn có thể vượt qua được điều đó; một sản phẩm thì phải vượt qua được.

Hôm nay, đang xây dựng một vòng lặp giọng nói xoay quanh Gemma

Nếu bạn muốn có một tác nhân thoại ngay bây giờ, kiến trúc sẽ là nhận dạng giọng nói, rồi Gemma 4 12B, rồi tổng hợp giọng nói. Mô hình đảm nhận việc hiểu, suy luận và phần văn bản của câu trả lời; các dịch vụ xung quanh đảm nhận phần âm thanh. Ngân sách độ trễ bị chi phối bởi hai đầu mút chứ không phải phần giữa: phát hiện điểm kết thúc cộng với tổng hợp giọng nói thường tốn nhiều thời gian thực hơn so với token đầu tiên của mô hình ngôn ngữ.

OrcaRouter hữu ích ở giữa vòng lặp đó vì một lý do khác. Một API đứng trước 200+ mô hình có nghĩa là bước suy luận có thể được hoán đổi mà không cần viết lại ứng dụng, và cơ chế chuyển đổi dự phòng tự động có nghĩa là một trục trặc nhỏ từ nhà cung cấp không làm dừng lệnh gọi. Mô hình markup 0% — giá niêm yết của nhà cung cấp được chuyển thẳng — có ý nghĩa khi nhà cung cấp cắt giảm giá, vì mức cắt giảm có hiệu lực ở phía chúng tôi ngay trong ngày. Một lưu ý thật lòng: chúng tôi định tuyến Gemma 4 26B A4B và Gemma 4 31B, không phải bản 12B, vốn là mô hình tải xuống và tự vận hành. Nếu bạn muốn bản 12B đứng sau một API, đó là quyết định lưu trữ của bên thứ ba, không phải của chúng tôi.

Chọn theo ràng buộc

• Bạn cần tung ra đầu ra văn bản hoặc đa phương thức ngay bây giờ — Gemma 4 12B, không có lựa chọn thay thế đáng kể nào trong cặp này.

• Bạn cần suy luận ngoại tuyến trên phần cứng do mình kiểm soát — Gemma 4 12B, vì bộ trọng số có tồn tại.

• Bạn cần hiểu một tài liệu, một hình ảnh hoặc một bản ghi âm 30 giây — Gemma 4 12B.

• Bạn cần một giọng nói trực tiếp có thể bị ngắt lời — Dessa là lựa chọn duy nhất trong hai lựa chọn nhắm đến điều đó, và nó không khả dụng.

• Bạn cần khả năng thể hiện cảm xúc trong âm thanh đầu ra — các bản demo của Dessa là bằng chứng, và chúng do nhà cung cấp lựa chọn.

• Bạn cần một giấy phép có thể đưa qua quy trình mua sắm — Apache 2.0 của Gemma 4 12B là giấy phép duy nhất được đưa ra.

Điều gì sẽ khiến đây trở thành một so sánh thực sự?

Ba điều sẽ thay đổi câu trả lời. Một API Dessa, để hai bên có thể được đo trên cùng những cuộc hội thoại. Một con số tham số và chỉ số độ trễ được công bố, để tuyên bố về laptop có thể được tái tạo. Hoặc một mô hình lấy giọng nói làm bản địa, có trọng số mở, từ một ai đó khác, điều này sẽ biến "Dessa vs Gemma" thành so sánh kiến trúc thay vì so sánh tính sẵn có.

Cho đến lúc đó, có thể tóm tắt một cách công bằng rằng Gemma 4 12B là một mô hình đa phương thức cục bộ có năng lực nhưng vướng một nút thắt về văn bản mà nó không thể loại bỏ, còn Dessa là một nỗ lực đầy hứa hẹn nhằm loại bỏ nút thắt đó mà không có cách công khai nào để kiểm chứng kết quả. Cái thứ nhất là một công cụ. Cái thứ hai là một giả thuyết có chất lượng trình bày xuất sắc.