HiRO-ACEv2 vs Gemma 4 12B: So sánh chỉ có ý nghĩa khi bạn ngừng đếm số tham số

HiRO-ACEv2 và Gemma 4 12B đều là các bản tải xuống theo giấy phép Apache 2.0 với một con số trong tên và có một báo cáo kỹ thuật đằng sau, và đó gần như là nơi những điểm giống nhau kết thúc. Gemma 4 12B là mô hình ngôn ngữ đa phương thức 11,95 tỷ tham số của Google — đầu vào là văn bản, hình ảnh và âm thanh, đầu ra là văn bản, cửa sổ ngữ cảnh 256K token, được phát hành vào tháng 6 năm 2026 và được tải xuống hơn hẳn một triệu lượt. HiRO-ACEv2 là trình mô phỏng khí hậu thế hệ thứ hai của Ai2, được tải lên một kho lưu trữ Hugging Face vào ngày 12 tháng 10 năm 2026 với khoảng 10,9 GB checkpoint và dữ liệu cưỡng bức, không hề có thông báo, và một bài báo xuất hiện vào ngày hôm sau. Một cái là mô hình đa dụng mà bạn gọi; cái kia là framework vật lý mà bạn cài đặt và chạy trên máy của riêng mình.

Nếu được đặt như một cuộc đối đầu trực diện về chất lượng, màn so tài này vô nghĩa, và giả vờ điều ngược lại sẽ là lỗi dễ mắc của một trang như thế này. Nếu được đặt như một câu hỏi về việc trọng số mở thực sự mang lại cho bạn điều gì vào năm 2026, thì nó thực sự đáng để học hỏi — bởi vì hai bản phát hành nằm ở hai đầu đối lập của phổ độ mở, dù cả hai đều mang cùng một nhãn giấy phép, và những khác biệt lộ ra ngay trong giờ đầu tiên khi thử dùng một trong hai.

Mỗi thứ dùng để làm gì, mỗi thứ một câu.

Gemma 4 12B nhận một prompt — văn bản, hình ảnh, đoạn âm thanh hoặc một tổ hợp nào đó — và tạo ra văn bản. Nó có kiến trúc không có tháp thị giác, không có bộ mã hóa, chiếu trực tiếp các patch hình ảnh và dạng sóng âm thanh vào không gian embedding của mô hình ngôn ngữ thông qua các lớp tuyến tính, 48 lớp, từ vựng 262K, cửa sổ trượt 1024 token kết hợp với attention toàn cục, và khoảng 11,95 tỷ tham số ở bf16. Đây rõ ràng là một mô hình dense, và bản phát hành bao gồm một bảng benchmark đầy đủ của nhà cung cấp.

HiRO-ACEv2 nhận một trạng thái khí hậu độ phân giải 100 km và tạo ra các trường 3 km — lượng mưa, gió đông và gió bắc ở độ cao 10 mét, và áp suất mực nước biển trung bình, với tần suất sáu giờ một lần. Đây là một hệ thống hai giai đoạn: một bộ mô phỏng tự hồi quy của X-SHIELD được làm thô về 100 km, tiếp theo là một mô hình khuếch tán giảm quy mô kết quả xuống 3 km. Nó xuất ra các trường dạng lưới kiểu NetCDF, không phải văn bản, và nó hoàn toàn không có bảng đánh giá chuẩn nào.

Đó là toàn bộ sự so sánh xét về mặt cấu trúc. Một cái ánh xạ ngôn ngữ sang ngôn ngữ. Cái kia ánh xạ một bầu không khí thô sang một bầu không khí tinh tế.

Khía cạnh duy nhất mà hai thứ đó thực sự có thể so sánh được với nhau

Tham số là trục sai, và độ dài ngữ cảnh là vô nghĩa đối với một trong số chúng. Chiều thực sự có thể chuyển giao là mức độ hoàn thành của bản phát hành.

• Các framework có thể tải nó — Gemma 4 12B chạy trên Transformers, vLLM, SGLang, llama.cpp, MLX và vô số bản dựng lượng tử hóa từ cộng đồng; HiRO-ACEv2 chạy thông qua gói Python fme của chính Ai2, với các cấu hình chỉ nhắm đến kho ai2cm/ace và không gì khác.

• Giá của một câu trả lời — Gemma 4 12B được các nhà cung cấp đang vận hành nó phục vụ ở mức khoảng 0,10 USD cho mỗi triệu token đầu vào và 0,30 USD cho mỗi triệu token đầu ra; HiRO-ACEv2 không có bảng giá, bởi vì nó không có gì tính theo từng yêu cầu. Chi phí của nó là số giờ GPU trên phần cứng của chính bạn, và tuyên bố trong bài báo là số giờ đó ít hơn trên 300 lần so với một mô hình số toàn cầu phân giải bão thông thường.

• Ai đã tái tạo được nó — Các con số của Gemma 4 12B là do nhà cung cấp tự báo cáo, nhưng việc triển khai thì không: hàng trăm nghìn lượt tải xuống cùng một khối lượng lớn công trình độc lập của những người hành nghề đứng sau mọi tuyên bố về cách nó hoạt động; còn các con số của HiRO-ACEv2 là do chính các tác giả đưa ra, mới có hai ngày, và tính đến thời điểm viết bài này, kho lưu trữ vẫn chưa có lượt tải xuống nào.

• Thẻ giấy phép gắn với nội dung gì — cả hai đều là Apache 2.0. Giấy phép cấp cho Gemma 4 12B là giấy phép thông thường; còn giấy phép của HiRO-ACEv2 đi kèm với Hướng dẫn Sử dụng Có trách nhiệm của Ai2, nêu rõ mục đích nghiên cứu và giáo dục, cùng các điều khoản sử dụng áp dụng riêng được chồng thêm lên trên.

• Đầu ra có thể được kiểm tra một cách máy móc — câu trả lời của Gemma 4 12B được kiểm tra bằng cách đọc nó, hoặc bằng một bộ kiểm thử do bạn viết; một trường của HiRO-ACEv2 được kiểm tra dựa trên một phân phối, đó là lý do vì sao bài báo bàn về phân vị thứ 99,9999 chứ không phải về điểm số trung bình.

Bảng benchmark là sự khác biệt nổi bật nhất.

Google đã công bố bảng đầy đủ cho Gemma 4 12B Unified. MMLU Pro đạt 77,2%, AIME 2026 không dùng công cụ đạt 77,5%, LiveCodeBench v6 đạt 72,0%, Codeforces ELO 1659, GPQA Diamond đạt 78,8%, MMMLU đạt 83,4%, MMMU Pro đạt 69,1%, MATH-Vision đạt 79,7%, và chỉ số eight-needle của MRCR v2 là 43,4% ở 128k. Đây là những con số do chính nhà cung cấp đưa ra, chưa được các đối thủ của Google tái lập, và cảnh báo thông thường vẫn áp dụng: benchmark trên model card là một tuyên bố về một cấu hình, chứ không phải phép đo mô hình mà bạn sẽ chạy. Nhưng mỗi dòng trong số đó là một con số mà bên thứ ba có thể cố gắng chứng minh sai trong một buổi chiều, và một số trong đó đo lường những năng lực xuất hiện trong sử dụng thông thường.

Thẻ của HiRO-ACEv2 không chứa bảng như vậy. Nó đưa ra một tuyên bố định lượng — rằng bộ hạ quy mô tái tạo tốc độ giáng thủy bề mặt, gió 10 mét và các phân bố áp suất mực nước biển cho tới phân vị thứ 99,9999 — rồi liệt kê những hạn chế mang nhiều thông tin hơn hầu hết các bảng đánh giá chuẩn. Chín năm dữ liệu huấn luyện, từ 2014 đến 2022. Đầu ra tái tạo X-SHIELD thay vì các quan trắc. Không thể áp dụng bên ngoài phạm vi từ 66°S đến 70°N, và không có khả năng chạy vượt quá 88°S hoặc 88°N. Sự gián đoạn tại ranh giới miếng vá ở những vùng lớn hơn miếng vá huấn luyện 16 x 16 một độ. Một ghi chú rằng checkpoint ACE2S-X-SHIELD đi kèm được kiểm thử ít nghiêm ngặt hơn so với dòng ACE2-ERA5 trước đó.

Không lập trường nào là không trung thực. Google đang bán một mô hình, nên họ quảng cáo điểm số mà mô hình đạt được. Ai2 đang công bố một sản phẩm nghiên cứu, nên họ quảng cáo những gì sản phẩm đó không thể làm được. Một độc giả coi việc thiếu bảng đánh giá chuẩn là bằng chứng về một mô hình yếu đã lập luận ngược — cách hiểu đúng là đánh giá mà khuôn khổ này cần mang tính phân phối, và không có bảng xếp hạng công khai nào chạy nó.

Nơi chúng gặp nhau trong một pipeline thực tế

Có một nơi mà hai thứ này thực sự thuộc về cùng một hệ thống, và đó không phải là một sự cạnh tranh. Một quy trình mô phỏng khí hậu tạo ra rất nhiều văn bản và mã xung quanh mô hình: các script điều khiển các ensemble qua nhiều thập kỷ thời gian mô phỏng, các công cụ xác thực cấu trúc NetCDF trước khi một lần chạy đốt cháy hàng giờ GPU, tổng hợp thống kê phân phối qua hàng trăm rollout, và công việc thông thường là biến một bài báo thành một danh sách kiểm tra. Không có gì trong số đó là hạ quy mô, và tất cả đều là công việc với mô hình ngôn ngữ — loại công việc mà việc gọi một mô hình theo từng yêu cầu, thay vì tự vận hành một mô hình, là mặc định hợp lý.

Đó là lớp mà OrcaRouter đảm nhiệm. HiRO-ACEv2 không nằm trong danh mục của chúng tôi và cũng không thể nằm trong đó — không hề tồn tại endpoint tính phí theo token cho một bộ hạ mẫu diffusion — nên không nội dung nào ở đây nên được hiểu là tuyên bố về tính khả dụng của nó. Gemma 4 12B cũng tương tự, không phải một trong những mô hình Gemma mà chúng tôi hiện cung cấp; danh mục của chúng tôi có các checkpoint Gemma 4 26B-A4B và 31B, còn đường suy luận 12B sẽ đến từ nơi bạn tự triển khai nó. Điều chúng tôi cung cấp là lớp bao quanh: một khóa API duy nhất dùng cho hơn hai trăm mô hình, giá niêm yết của nhà cung cấp được chuyển nguyên vẹn mà không cộng thêm phụ phí, cùng cơ chế tự động chuyển đổi dự phòng giữa các nhà cung cấp để một pipeline kéo dài hàng chục năm, vốn cũng gọi đến mô hình ngôn ngữ, không bị đình trệ chỉ vì một upstream gặp sự cố trong một giờ đồng hồ.

Cách quyết định trong chưa đầy một phút

Hãy tự hỏi đầu ra của bạn có dạng gì. Nếu đầu ra là văn bản, một trích xuất có cấu trúc, một thay đổi mã hay một chú thích, bạn muốn Gemma 4 12B — hoặc một trong các mô hình anh em lớn hơn của nó — và cụ thể là 12B là lựa chọn đúng khi bạn cần đầu vào đa phương thức ở kích thước vừa vặn với một accelerator duy nhất, vẫn đủ chỗ cho ngữ cảnh dài. Nếu đầu ra là một trường lưới 3 km mô tả lượng mưa, gió và áp suất qua nhiều thập kỷ khí hậu mô phỏng, không mô hình ngôn ngữ nào có thể tạo ra nó và Gemma 4 không liên quan đến vấn đề của bạn; bạn muốn HiRO-ACEv2, bản tải xuống 10,9 GB, một môi trường Python và một GPU.

Cái bẫy trong phép so sánh cụ thể này nằm ở số lượng tham số. Gemma 4 12B thì có; HiRO-ACEv2 không công bố, và 10,9 GB dung lượng lưu trữ của kho chủ yếu là dữ liệu cưỡng bức và điều kiện ban đầu chứ không phải trọng số — hai checkpoint cộng lại khoảng 4,3 GiB. Đánh giá hai mô hình này cạnh nhau dựa trên kích thước, hay dựa trên bất kỳ một con số đơn lẻ nào, sẽ tạo ra một câu trả lời đầy tự tin cho một câu hỏi mà không ai hỏi.

Những so sánh như thế này cũng là nơi các kiểu lỗi lộ diện: những sự cố AI được ghi nhận và các lỗi của agent đằng sau những mô hình thuộc lớp này được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.