Tell 1 so với Gemma 4 12B: Một bản có thể đặt trên đĩa, một bản chỉ có thể gọi qua điện thoại

Cách nhanh nhất để hiểu sự khác biệt giữa Tell 1 và G​emma 4 12B là thử tải cả hai xuống. G​emma 4 12B được phát hành dưới dạng khoảng 27 GB safetensors BF16 theo Apache 2.0, chạy ở khoảng 110 token mỗi giây trên một card 24 GB duy nhất trong một bản lượng tử hóa, và chỉ trả lời bạn mà thôi. Tell 1 thì hoàn toàn không được phát hành. Đó là mô hình suy luận riêng của Retell, nằm bên trong một nền tảng tác nhân thoại tính phí từ 0,07 đến 0,31 USD mỗi phút và không bán mô hình, không công bố model card cho nó, cũng không cho bạn trỏ nó vào hạ tầng của riêng bạn. Mọi thứ khác trong so sánh này đều xuất phát từ sự bất đối xứng đó, kể cả các benchmark, bởi vì một trong hai mô hình có thể được bất kỳ ai có GPU đo lường, còn mô hình kia chỉ có thể được đo bởi chính công ty sở hữu nó.

Cả hai đều là những bản phát hành thực sự thú vị, và chúng được tạo ra cho những công việc khác nhau. Gemma 4 12B là mô hình mở cỡ trung không dùng encoder của Google DeepMind, phát hành ngày 3 tháng 6 năm 2026, được thiết kế để thực hiện suy luận đa phương thức trên chính chiếc máy đang ở trước mặt bạn. Tell 1 là lớp suy luận của một ngăn xếp trung tâm liên hệ đã xử lý hơn 100 triệu cuộc gọi mỗi tháng trước khi mô hình này ra đời, và mục tiêu thiết kế của nó là điều duy nhất mà một mô hình cục bộ không thể mang lại: âm tiết đầu tiên xuất hiện trong khoảng thời gian im lặng mà người gọi qua điện thoại có thể chấp nhận.

Hai thứ được gọi là mô hình, và chỉ một trong hai là một tệp

Gemma 4 12B có 11,95 tỷ tham số dense, không có bộ mã hóa thị giác hay âm thanh riêng — các patch hình ảnh và dạng sóng âm thanh đi thẳng vào transformer, đó là lý do dòng mô hình này được phát hành dưới dạng một checkpoint "thống nhất" thay vì một chồng các tower. Mô hình có ngữ cảnh 256K token và đọc được văn bản, hình ảnh, âm thanh và các khung hình video. Kho lưu trữ Hugging Face đã được tải xuống hơn 14 triệu lần, mẫu chat được sửa đổi lần cuối vào ngày 9 tháng 7 năm 2026, và giấy phép là Apache 2.0 không có điều khoản doanh thu, không có điều khoản số lượng người dùng và không có thỏa thuận thương mại riêng nào cần đàm phán.

Tell 1 không có bất kỳ artifact nào trong số đó. Không có repository, không có config, không có tokenizer, không có văn bản giấy phép và không có con số cửa sổ ngữ cảnh nào được công bố ở bất kỳ đâu mà tôi có thể tìm thấy trên chính trang của Retell — và tôi đã xem blog, changelog, mục lục tài liệu, newsroom và trang benchmark model của công ty. Hai nơi nó xuất hiện, dù chỉ là thoáng qua, là một nhãn trên trang chủ, nơi nó nằm cạnh “Agent harness” dưới một mục có tiêu đề “Developed by Retell Labs,” và một ghi chú cập nhật tháng 11 được thêm vào changelog tháng 9 về benchmark giọng nói công khai của Retell. Đó là toàn bộ hồ sơ công khai. Đây không phải là một vụ bê bối; rất nhiều nhà cung cấp nền tảng phát hành model nội bộ mà không tài liệu hóa chúng. Nhưng điều đó có nghĩa là một nửa của phép so sánh này phải được tiến hành dựa trên lời của nhà cung cấp, và nửa còn lại có thể do bạn tiến hành, ngay tối nay, trên phần cứng của chính bạn.

Năm câu hỏi mà một trong số họ trả lời trước công chúng

Đặt hai thứ cạnh nhau theo những khía cạnh mà người mua thực sự cần, và hình hài của khoảng cách sẽ trở nên rõ ràng. Cả hai phía của từng dòng, vì điểm mấu chốt là sự tương phản chứ không phải điểm số:

• Trọng số — Gemma 4 12B công bố chúng, Apache 2.0, có thể tự triển khai, tinh chỉnh, phân phối lại; Tell 1 không công bố gì và chỉ có thể truy cập như một phần của tác nhân giọng nói Retell.

• Kích thước — 11.95B tham số dense, khoảng 27 GB ở BF16 và dưới 7 GB khi lượng tử hóa, đối với Gemma; không được tiết lộ đối với Tell 1, và việc nó trả lời với trung vị 72 ms bên trong harness của Retell ngụ ý đây là một mô hình nhỏ, được thiết kế chuyên dụng chứ không phải một mô hình tổng quát tiên tiến, nhưng đó là suy luận, không phải tài liệu.

• Ngữ cảnh — 256K token cho G​emma 4 12B; không được nêu rõ đối với Tell 1, điều mà với một agent điện thoại thì ít đáng lo hơn so với vẻ ngoài của nó, vì một cuộc gọi thì ngắn và cơ sở tri thức nằm ngoài mô hình.

• Các phương thức — G​emma nhận văn bản, hình ảnh, âm thanh và video rồi trả về văn bản; Tell 1 nhận gói dữ liệu bản ghi lời nói và công cụ mà một nền tảng giọng nói đưa cho nó, còn những gì khác nó chấp nhận thì không được công bố.

• Bằng chứng — G​emma có thẻ nhà cung cấp (DocVQA 94.9, InfoVQA 88.4, MMLU-Pro 77.2, GPQA Diamond 78.8, đều do G​oogle báo cáo) cộng với Chỉ số Trí tuệ Artificial Analysis độc lập là 14 ở tốc độ khoảng 110,9 token mỗi giây; Tell 1 chỉ có một dòng trong một bộ đánh giá do chính chủ của nó viết, được đề cập bên dưới.

Hãy để ý cột nào dài hơn. Đây không phải là lời chê chất lượng của Tell 1; đó là một nhận định về những gì bạn có thể xác minh trước khi bỏ tiền. Một mô hình bạn có thể tải xuống thì có thể được kiểm thử với dữ liệu của chính bạn trong một buổi chiều. Một mô hình bạn chỉ có thể thuê thì được kiểm thử bằng cách thuê nó.

Con số tiêu đề của Tell 1 thực sự đo lường điều gì

Retell's vCX Benchmark công bố kết quả dưới dạng dữ liệu có cấu trúc thay vì biểu đồ tiếp thị, điều mà hầu hết bảng xếp hạng của nhà cung cấp không làm được. Tell 1 nằm trong bảng gồm 62 cấu hình được đánh giá rút ra từ 45 mô hình, và dòng của nó mạnh nhất ở phần hội thoại: 96,6% trên chiều khẩu ngữ của Retell và trung vị 72,5 ms, đứng đầu toàn bộ ở cả hai. Cùng dòng đó cho thấy vị trí thứ hai về tuân thủ chỉ dẫn và ở hàng mà Retell gắn nhãn hallucination, thứ năm về gọi công cụ, và chi phí mô hình 3,5 xu mỗi phút đưa nó lên vị trí thứ 19/62. Lấy trung bình bốn chiều và bạn có 94,45%, đây là con số mà Retell dẫn đầu.

Có hai lưu ý cần đặt bên cạnh các thứ hạng đó, và không phải Retell đang không trung thực — dữ liệu đơn giản là không hỗ trợ một cách lý giải rõ ràng hơn. Thứ nhất, hàng của Tell 1 mang phiên bản benchmark 17 trong khi 50 trong số 62 hàng mang phiên bản 1; một benchmark biết sửa đổi các tác vụ của mình là đang làm đúng, nhưng “#1 tổng thể” được tính trên hai bộ kiểm thử khác nhau chỉ là một con số tổng hợp, không phải kết quả so sánh cùng điều kiện, và trang không chuẩn hóa điều đó. Thứ hai, bốn khía cạnh đánh giá không đồng thuận. Tell 1 không phải là mô hình tốt nhất trong chính benchmark của nó ở khả năng tuân theo chỉ dẫn hay gọi công cụ — GPT-6-Astra đạt 89,7% về tuân theo chỉ dẫn, so với 88,6% của Tell 1, và ít nhất một bản Claude nhỉnh hơn ở khả năng gọi công cụ. Điều nó thắng tuyệt đối là hai thứ mà người gọi có thể nghe thấy: nó nhanh nhất và nghe giống người nhất.

Một con số đáng để phân biệt rõ, vì hai con số này thường bị gộp lẫn trong các bài đưa tin: 72 ms là độ trễ của mô hình bên trong harness, không phải trải nghiệm của người gọi. Trang chủ của Retell nêu thời gian phản hồi điển hình của agent vào khoảng 600 ms từ đầu đến cuối, bao gồm nhận dạng giọng nói, điều phối, lượt của mô hình và tổng hợp giọng nói. Cả hai con số đều có thể đúng. Chỉ con số thứ hai mới là điều một người đang nghe điện thoại cảm nhận được.

Vị trí của từng thứ trong một ngăn xếp

Gemma 4 12B không phù hợp cho một agent điện thoại trực tiếp, và không phải vì chất lượng. Một mô hình dense 12B trên một GPU duy nhất là một thành phần tốt, nhưng vòng khứ hồi qua ngăn xếp phục vụ của riêng bạn, cộng với nhận dạng và tổng hợp giọng nói, chính là thứ đẩy phản hồi đầu-cuối vào vùng mà người gọi bắt đầu nói chèn lên agent. Cách Google tự định vị 12B là công việc tác tử trên máy tính xách tay — hiểu tài liệu, đọc màn hình, sử dụng công cụ, hỗ trợ viết mã — và cách định vị đó là chính xác. Nếu công việc của bạn là một trăm nghìn hóa đơn mỗi đêm, một kho ngữ liệu riêng mà bạn không thể gửi cho bên thứ ba, hoặc một thiết bị thực địa ngoại tuyến, thì Tell 1 không thể cạnh tranh, vì Tell 1 hoàn toàn không thể được triển khai ở đó.

Tell 1 thì ngược lại. Nó không thể rời khỏi Retell, bạn không thể tinh chỉnh nó trên bản ghi cuộc hội thoại của mình và bên thứ ba không thể đánh giá nó mà không có sự hợp tác của Retell. Điều nó có thể làm là trả lời bên trong một nền tảng đã sở hữu điện thoại, cơ chế luân phiên lượt nói và giọng nói, và làm việc đó trong 72 ms, tức là phần của ngăn xếp mà không lượng kỹ thuật gợi ý nào có thể khắc phục. Nếu bạn đang mua một tác nhân trung tâm liên hệ thay vì tự xây dựng một tác nhân, thì đó là cột duy nhất quan trọng.

Khoảng giữa là nơi hầu hết các nhóm thực sự dừng lại: một mô hình tự vận hành nhỏ cho phần khối lượng lớn, công việc mang tính xác định, và một mô hình tiên phong được lưu trữ cho những tình huống khó. Cả hai mô hình này đều không phải lựa chọn tự nhiên cho vị trí thứ hai đó, và đây chính là lúc danh mục của chính chúng tôi trở nên liên quan. Cả Tell 1 lẫn G​emma 4 12B đều không thể định tuyến qua OrcaRouter — chúng tôi không lưu trữ Tell 1, và các kích cỡ G​emma 4 mà chúng tôi cung cấp là 31B Instruct và 26B A4B, không phải bản 12B. Hai mô hình đó được tính giá theo bảng giá của nhà cung cấp mà không cộng thêm gì, $0.13 cho đầu vào và $0.38 cho đầu ra trên mỗi triệu token đối với bản 31B, và $0.06 cùng $0.33 đối với bản 26B A4B, đây là điểm so sánh trung thực nếu điều bạn muốn ở bản 12B là "một G​emma 4 mà tôi có thể gọi mà không cần sở hữu GPU."

Chi phí, được quy đổi sang cùng một đơn vị

So sánh giá nền tảng tính theo phút với giá mô hình tính theo token là chỗ mà hầu hết các bài viết này âm thầm đánh tráo, nên đây là phép quy đổi chứ không phải một kết luận. Tell 1 không được định giá riêng; nó nằm trong mức $0.07 đến $0.31 mỗi phút của Retell, và dòng benchmark chứa nó ghi 3,5 xu mỗi phút chi phí mô hình, nằm trong khoảng đó chứ không thay thế khoảng đó. G​emma 4 12B với mức pha trộn $0.10 mỗi triệu đầu vào và $0.30 mỗi triệu đầu ra của Artificial Analysis thì gần như miễn phí theo token, và sau đó bạn trả tiền cho GPU: một card 24 GB chạy trong một giờ tốn nhiều hơn một nghìn phút ở gói rẻ nhất của Retell, vì vậy điểm hòa vốn chỉ xảy ra ở khối lượng duy trì ổn định với mức sử dụng cao.

• Đơn vị chi phí — đô la mỗi phút hội thoại đối với Tell 1; đô la mỗi triệu token cộng giờ GPU đối với G​emma 4 12B.

• Điểm hòa vốn — G​emma thắng về chi phí biên ngay khi GPU của bạn đã bận; Tell 1 thắng về tổng chi phí sở hữu cho đến khi khối lượng đủ lớn để giữ một card luôn bão hòa.

• Các mục chi phí ẩn — Tell 1 gộp điện thoại, tổng hợp giọng nói và harness vào một con số; một ngăn xếp Gemma tự vận hành sẽ tính phí riêng cho bạn đối với ASR, TTS, lớp phục vụ và kỹ sư trực on-call.

Chọn cái nào?

Nếu yêu cầu là một tác nhân điện thoại nghe giống người thật trong quý này, thì Tell 1 là lựa chọn duy nhất trong hai lựa chọn là một sản phẩm, và bài đánh giá chuẩn — bao gồm cả những lưu ý — nói rằng thứ nó làm tốt nhất chính xác là thứ bạn đang mua. Hãy kiểm thử nó với mô hình bạn hiện đang tin tưởng bên trong cùng một tác nhân Retell, nghe hai mươi cuộc gọi và đếm các lỗi grounding, vì đó là chỗ mà dữ liệu của chính Retell nói rằng nó thua kém.

Nếu yêu cầu là một mô hình mà bạn có thể kiểm tra, tinh chỉnh, tự lưu trữ riêng, phân phối lại bên trong một sản phẩm hoặc chạy mà không cần mạng, thì G​emma 4 12B không chỉ là lựa chọn tốt hơn — mà còn là lựa chọn duy nhất trên trang này. Apache 2.0 và ngữ cảnh 256K ở 12B là một sự kết hợp ngày càng hữu ích hơn mỗi tháng, và 14 triệu lượt tải xuống cho thấy nhiều đội ngũ đã đi đến kết luận đó.

Câu hỏi đáng đặt ra trước khi mua bất kỳ thứ nào trong hai thứ đó là câu nào trong hai câu ấy mô tả vấn đề của bạn, vì chúng không phải là cùng một vấn đề, và không có benchmark nào có thể cho bạn biết bạn đang gặp vấn đề nào.