SubQ Snap 1.1 vs Gemma 4 12B: Một chuyên gia đánh giá chuyên biệt đối đầu với một mô hình tổng quát mở

Hãy hỏi cả SubQ Snap 1.1 và Gemma 4 12B xem trong năm trăm phiếu hỗ trợ, phiếu nào là yêu cầu hoàn tiền, và cả hai sẽ đưa ra câu trả lời dùng được. Chỉ một trong hai sẽ còn cho bạn biết, theo từng phiếu, mức độ chắc chắn của nó — và chỉ một trong hai có thể được tải về và chạy trên phần cứng bạn sở hữu. Đó là toàn bộ sự so sánh, và lý do nó không dẫn đến một người thắng là vì hai mô hình không thực sự thuộc cùng một nhóm sản phẩm. Snap 1.1 là một mô hình ra quyết định do Subquadratic phát hành ngày 22 tháng 10 năm 2026: nó chấm điểm một tập lựa chọn cố định và không sinh văn bản. Gemma 4 12B là mô hình tổng quát trọng số mở của Google DeepMind, một mô hình dày khoảng 12 tỷ tham số theo Apache 2.0, đọc được văn bản, hình ảnh, âm thanh và video rồi viết lại thành văn xuôi.

Coi chúng là những thứ thay thế cho nhau, và bạn sẽ mắc một trong hai sai lầm: trả giá theo mức giá API cho một bộ phân loại mà bạn hoàn toàn có thể chạy trên laptop, hoặc cố ép ra định tuyến có cấu trúc từ một mô hình chưa từng được huấn luyện để biết từ chối. Còn nếu coi chúng là hai tầng của cùng một pipeline, chúng lại kết hợp với nhau khá ăn ý.

Thực tế mỗi thứ là gì

Gemma 4 12B là thành viên trung gian trong gia đình Gemma 4, nằm giữa các mô hình E2B và E4B chạy trên thiết bị với các phân hạng 26B-A4B và 31B. Điểm đáng chú ý về kiến trúc của nó là không dùng bộ mã hóa: các mảnh ảnh và dạng sóng âm thanh được chiếu trực tiếp vào xương sống ngôn ngữ thay vì đi qua các bộ mã hóa thị giác và âm thanh riêng biệt. Nó chạy ở cấu hình suy luận và cấu hình không suy luận, được phát hành theo giấy phép Apache 2.0, và là kiểu mô hình mà một nhóm chọn vì có thể tinh chỉnh, lượng tử hóa, nhúng và phát hành mà không cần xin phép ai. Các công cụ theo dõi không thống nhất về ngày phát hành chính xác — Artificial Analysis và BenchLM nói ngày 3 tháng 6 năm 2026, llm-stats nói ngày 23 tháng 5 — một lời nhắc nhỏ rằng ngay cả những sự thật nhàm chán về các bản phát hành mở cũng được kể lại khác nhau tùy vào người đang đếm.

SubQ Snap 1.1 được cố ý thiết kế hẹp hơn. Nó nhận tối đa 384K token văn bản và hình ảnh, cùng một tập câu trả lời do ứng dụng xác định — từ một đến mười sáu câu hỏi, từ hai đến 255 phương án cho mỗi câu hỏi — và trả về một lựa chọn kèm xác suất. Không có đầu ra văn bản tự do cần phân tích, không có lược đồ JSON cần áp đặt, và mô hình không có cách nào trả lời một câu hỏi mà bạn không đưa ra. Lập luận của Subquadratic là đây là một công việc tính toán khác với việc sinh văn bản, và một kiến trúc attention thưa có thể thực hiện việc này với mức tính toán không đổi trên mỗi token thay vì phải trả chi phí attention bậc hai trên một tài liệu dài 300K token.

Thông số kỹ thuật, so sánh cạnh nhau

• Ngữ cảnh — SubQ Snap 1.1 chấp nhận 384K token trong một lượt duy nhất; Gemma 4 12B chấp nhận 256K (262,144).

• Phương thức đầu vào — Snap 1.1 nhận văn bản và hình ảnh; Gemma 4 12B nhận văn bản, hình ảnh, âm thanh và video.

• Đầu ra — Snap 1.1 trả về một lựa chọn hoặc điểm số từ danh sách của bạn, kèm theo xác suất; Gemma 4 12B tạo văn bản có độ dài tùy ý.

• Giá — Snap 1.1 có giá $0.04 mỗi 1 triệu token đầu vào, đầu ra miễn phí; mức trung vị của Gemma 4 12B trên các nhà cung cấp là $0.10 mỗi 1 triệu token đầu vào và $0.30 mỗi 1 triệu token đầu ra.

• Trọng số — Snap 1.1 không công bố trọng số nào; Gemma 4 12B cung cấp trọng số Apache 2.0 mà bạn có thể tải xuống, lượng tử hóa và tự vận hành.

Hiệu chuẩn — Snap 1.1 báo cáo sai số hiệu chuẩn kỳ vọng là 0,014 và tỷ lệ từ chối trả lời là 86% đối với các câu hỏi mà nó không thể trả lời; Gemma 4 12B không công bố chỉ số hiệu chuẩn tương đương nào.

Mốc chuẩn đánh giá — Snap 1.1 đạt 65 điểm trên Chỉ số Quyết định Artificial Analysis v1.0, đồng hạng nhất; Gemma 4 12B đạt 14 điểm trên Chỉ số Trí tuệ Artificial Analysis, một con số ước tính cho phân khúc kích thước của nó.

Hai hàng cuối cùng đó không thể so sánh được và không nên đặt cạnh nhau mà không có cảnh báo. Decision Index đo lường chất lượng quyết định trên một tác vụ có đáp án cố định; Intelligence Index đo lường suy luận tổng quát. Điểm 65 và điểm 14 đang trả lời những câu hỏi khác nhau.

Nhiệm vụ mà cả hai đều có thể làm, và cái giá phải trả

Hãy lấy một cuộc gọi định tuyến thực tế: một chuỗi phiếu hỗ trợ 8.000 token, năm hàng đợi ứng viên, một câu trả lời. Snap 1.1 tính $0,04 mỗi triệu token đầu vào và không tính gì cho đầu ra, vì vậy cuộc gọi tốn khoảng $0,00032. Gemma 4 12B theo mức giá trung vị của nhà cung cấp tính $0,0008 cho cùng 8.000 token đầu vào, cộng thêm đầu ra — một nhãn đơn thuần có lẽ là năm token, tức $0,0000015, nhưng một cấu hình suy luận có suy nghĩ trước khi trả lời có thể dễ dàng tiêu tốn 200 đến 400 token, tức thêm $0,00006 đến $0,00012.

Do đó, với mức giá API, Snap rẻ hơn hai đến ba lần cho mỗi lần gọi, và khoảng cách càng tăng khi tài liệu dài hơn, vì giá đầu vào của Gemma cao gấp hai lần rưỡi Snap. Ở mức 100K token, so sánh là $0.004 so với $0.010 trước khi Gemma viết bất cứ thứ gì.

Giờ hãy tự vận hành Gemma 4 12B trên GPU mà bạn đã sở hữu. Chi phí biên mỗi lần gọi giảm xuống chỉ còn tiền điện, và phép so sánh đảo ngược hoàn toàn. Đây là điều quan trọng nhất về cuộc đối đầu này: Snap 1.1 chỉ rẻ hơn nếu bạn mua suy luận theo token. Nếu bạn có công suất nhàn rỗi, Gemma miễn phí ở mức biên và Snap sẽ không bao giờ như vậy.

Gemma 4 12B thắng ở đâu

Câu trả lời hiển nhiên là tính mở, nhưng phiên bản hữu ích thì cụ thể hơn. Apache 2.0 nghĩa là không nhà cung cấp nào có thể ngừng hỗ trợ endpoint mà bạn đang dùng, không giới hạn tần suất nào có thể bóp nghẹt một batch job lúc 2 giờ sáng, và không dữ liệu nào rời khỏi mạng của bạn. Với một quy trình chịu quản lý chặt chẽ — phân loại sơ bộ yêu cầu bồi thường, mã hóa lâm sàng, rà soát hợp đồng — điểm cuối cùng đó thường giải quyết cuộc tranh luận trước khi giá được đem ra bàn.

Gemma cũng làm được những việc mà Snap về mặt cấu trúc không thể làm được. Nó viết bản tóm tắt chuyển cấp sau khi bộ định tuyến quyết định chuyển cấp. Nó đọc một biểu mẫu đã quét, phiên âm một bản ghi cuộc gọi và trả lời một câu hỏi về cả hai trong một lượt. Nó có thể được tinh chỉnh trên dữ liệu có nhãn của riêng bạn, mà với một tác vụ phân loại hẹp thường vượt qua hành vi zero-shot của bất kỳ mô hình tổng quát nào. Theo chính các con số đã công bố của nhà cung cấp, nó đạt 77,2 trên MMLU-Pro, 78,8 trên GPQA và 72,0 trên LiveCodeBench v6 — khiêm tốn đối với một mô hình tiên phong, hoàn toàn đáng nể đối với thứ vừa vặn trên một bộ tăng tốc duy nhất.

Điểm yếu của nó cũng cụ thể không kém: 5,2 trên Humanity's Last Exam khi không dùng công cụ, 43,4 trên MRCRv2 về truy xuất ngữ cảnh dài, và độ trễ token đầu tiên khoảng 2,4 đến 2,6 giây ở tốc độ nhà cung cấp điển hình, tức là khá chậm đối với một chặng định tuyến trong vòng lặp agent.

Những điểm SubQ Snap 1.1 chiếm ưu thế

Ba điều, theo thứ tự mức độ quan trọng. Đầu tiên, {{1}}từ chối trả lời có hiệu chỉnh{{/1}}. {{2}}Snap 1.1 báo cáo tỷ lệ 86% nói “Tôi không biết” với những câu hỏi mà nó không thể trả lời đúng, so với 0,7% của bản phát hành 1.0 của chính nó trên chỉ số thay thế về tính toàn tri của nhà cung cấp — cải thiện này là điểm nhấn của phiên bản này.{{/2}} Để một LLM tổng quát từ chối trả lời một cách đáng tin cậy cần kỹ thuật prompt, một heuristic độ tin cậy, hoặc một mô hình thứ hai để chấm điểm mô hình thứ nhất, và không cách nào trong số đó gọn gàng bằng một mô hình được huấn luyện với việc từ chối trả lời như một mục tiêu rõ ràng.

Thứ hai, ngữ cảnh. 384K trong một lượt xử lý so với 256K, và — quan trọng hơn — không cần phải thiết kế chiến lược chia nhỏ nào. Một mô hình tổng quát ở 256K về mặt kỹ thuật có thể chứa được tài liệu; việc nó có truy xuất đúng câu ở phần giữa tài liệu hay không lại là một câu hỏi khác, và điểm 43,4 của Gemma trên MRCRv2 gợi ý rằng câu trả lời trung thực là "đôi khi".

Thứ ba, hình dạng của đầu ra. Một xác suất trên năm hàng đợi của bạn có thể dùng trực tiếp làm ngưỡng định tuyến. Một câu được sinh ra thì không, và đoạn mã keo biến cái này thành cái kia chính là nơi phần lớn các lỗi phân loại trong môi trường production trú ngụ.

Điều Snap không có là bất kỳ xác minh độc lập nào về {{1}}1.1{{/1}}. Các đánh giá của bên thứ ba hiện có đã kiểm thử mô hình xem trước, và một trong số đó — một nghiên cứu chấm điểm mức độ liên quan của tài liệu do 95pctai thực hiện, so sánh Snap với Gemma 4 31B — phát hiện Snap nhanh gần gấp đôi và có giá bằng một nửa mỗi lần chạy nhưng bỏ sót 21 câu trả lời mà mô hình cơ sở Gemma nắm được. Tác giả nghiên cứu lưu ý rằng cả mô hình giám khảo và mô hình cơ sở đều là mô hình của Google, điều này có thể thiên vị Gemma, và rằng Snap chỉ được chạy một lần.

Thực tế triển khai

Gemma 4 12B không có trong danh mục của OrcaRouter. Chúng tôi cung cấp các phân hạng 26B-A4B và 31B của cùng dòng mô hình này, còn 12B có sẵn thông qua các kênh của chính Google và một số nền tảng bên thứ ba. Snap 1.1 cũng không phải của chúng tôi: mô hình này chạy qua API của Subquadratic tại console.subq.ai.

Câu hỏi thực tế đối với hầu hết các đội nhóm không phải là nên chuẩn hoá theo cái nào, mà là liệu lớp ra quyết định và lớp sinh nội dung có nên dùng chung một phụ thuộc hay không. Chúng hỏng theo những cách khác nhau. Một router bị sập sẽ chặn pipeline của bạn trước khi bất kỳ công việc nào diễn ra; một generator bị sập sẽ chặn nó giữa chừng. Việc giữ hai bên ở các nhà cung cấp riêng biệt — một khoá cho hơn 200 mô hình sinh tại OrcaRouter với 0% phụ phí so với giá niêm yết của nhà cung cấp và tự động chuyển đổi dự phòng, một hợp đồng cho mô hình ra quyết định — nghĩa là một buổi chiều tồi tệ ở một trong hai nhà cung cấp sẽ chỉ làm suy giảm pipeline thay vì khiến nó dừng hẳn.

Cách quyết định chỉ trong một lượt

Nếu quyết định là gán nhãn trên một tập tùy chọn cố định, tài liệu dài và bạn không thể lưu trữ trọng số: hãy chọn Snap 1.1, và dự trù kinh phí để xây dựng bộ khung đánh giá của riêng bạn vì chưa ai công bố một bộ cho phiên bản này.

Nếu quyết định là một nhãn nhưng cùng lời gọi đó cũng phải tạo ra văn bản, hoặc dữ liệu không thể rời khỏi mạng của bạn, hoặc bạn có dung lượng GPU dư thừa: Gemma 4 12B, được tinh chỉnh trên vài nghìn ví dụ của chính bạn, thường sẽ đánh bại một mô hình quyết định đa dụng trên tác vụ cụ thể của bạn.

Nếu bạn thực sự không chắc, thử nghiệm rẻ là chạy cả hai trên cùng 2.000 trường hợp đã gán nhãn và so sánh không phải độ chính xác mà là chi phí của những lỗi mà mỗi mô hình mắc phải. Snap sẽ từ chối trả lời nhiều hơn. Gemma sẽ trả lời nhiều hơn và sai thường xuyên hơn mà không nói ra. Cái nào trong số đó tệ hơn là đặc tính của doanh nghiệp bạn, không phải của mô hình nào.