Dessa 与 Gemma 4 12B：两款笔记本模型，只有一款可供下载

对Dessa与Gemma 4 12B最有用的一次比较，并不是某个基准测试分数，而是一个文件。Gemma 4 12B——Google DeepMind 的 119.5 亿参数开放权重模型，于 2026 年 6 月 3 日以 Apache 2.0 许可发布，名称为Gemma 4 12B Unified——是一个你今天下午就能下载、在一台 16 GB 的笔记本上运行、并且无需征求任何人同意就能微调的检查点。Dessa 则是 Block 于 2026 年 10 月 23 日发布的模型，据其开发者称，它是一个能在 MacBook Pro M4 Max 上运行的全双工语音模型——只不过你没法下载它、调用它，也没法检查它。它被挡在一份等候名单之后：没有权重、没有 API、没有价格，也没有公布参数规模。

两者都以本地模型的名义出售，但其中只有一个真正对外分发。这一区别决定了其余一切：你能构建什么、你能测量什么，以及"在笔记本电脑上运行"究竟意味着什么。

简短的回答，以及它为何简短

如果你的目标是在本季度交付一个能处理文本、图像、音频或视频的产品，那么 Gemma 4 12B 是两者中唯一一个你可以直接使用的产品。如果你的目标是研究全双工语音——一种能在说话的同时倾听、会插话，也能被打断而不丢失上下文脉络的模型——那么 Dessa 是更有意思的产物，而你还无法用上它。

那听起来像是在贬低。它更像是在描述两个不同的成熟阶段。Gemma 4 12B 是一个已完成的开放发布版本，附带许可证、模型卡和基准测试表。Dessa 则是一个带有演示短片的研究预览版。比较两者的能力，就像把已上市的相机与实验室原型机相比：原型机可能拥有更好的传感器，但只有其中一台能拍出你可以留存下来的照片。

“local”的两种含义

Gemma 4 12B 的本地部署情况很具体。它是一个稠密的、仅解码器模型，采用无编码器的统一架构——48 层，图像块直接投影，音频无需单独的编码器即可处理。Google 将其定位为面向约 16 GB 的统一内存，权重已在 Hugging Face 上以 BF16 提供，GGUF、MLX 及其他社区构建版本也紧随其后。你可以在离线状态下、在飞机上运行它，无需任何账户。

Dessa 的本地运行说法只是页面上的一句话：在 MacBook Pro M4 Max 或更高配置的机器上，推理运行速度快于实时。没有内存数字，没有量化，没有文件大小，也没有下载。这个说法可能完全属实。它也无法从外部被证伪，因为在厂商的帖子里，“本地运行”可能意味着“我们的研究人员在一台笔记本电脑上演示过”，而不是“你会在自己的设备上运行它”。在出现权重文件或安装程序之前，诚实的解读是第一种。

倾听，交谈

架构上的差异比参数差距更为鲜明。Gemma 4 12B 是一个多模态阅读器：输入文本、图像、音频和视频；输出文本。它的音频输入每段上限为 30 秒，视频输入在每秒一帧的条件下上限约为 60 秒。在这些限制内，它可以转写、翻译、描述、回答关于录音的问题，并提取结构化数据。换言之，它非常擅长将有限的一部分世界转化为文本。

Dessa 是一种对话式流：音频进、音频出，完全没有文本环节。没有可供检查的转录文本，没有 token 边界，也没有单独的合成步骤。Block 的说法是，这样能保留韵律、笑声、叹息和时序，而语音转文本再转语音的流水线会把这些抹平。其演示显示，该模型能在句子中间笑出来、匹配音量，还能补全说话者忘掉的电影片名。

实际后果是，这两个模型在 API 层面上不可互换。你无法向 Dessa 发送 PDF。你无法要求 Gemma 4 12B 在回答中途被打断，因为它不会产生可供打断的音频流。基于 Gemma 构建的语音产品至少还需要两个组件；而基于 Dessa 构建文档产品则完全不可能。

规格表，两侧在同一行

以下数据除非另有标注，否则均为厂商自行报告。Gemma 的数据来自 Google 的模型卡；Dessa 的数据来自 Block 的公告页面，而该页面公布的信息要少得多。

• 参数 — Gemma 4 12B 的 11.95B 稠密参数，对比 Dessa 未披露。

• 权重 — Gemma 4 12B Apache 2.0 可下载，而 Dessa 未发布任何权重。

• 上下文 — Gemma 4 12B 262,144 tokens，而 Dessa 未注明，且没有可用于衡量它的 token 接口。

• 输入 — Gemma 4 12B：文本、图像、最长 30 秒的音频、最长约 60 秒的视频；而 Dessa 是实时音频流。

• 输出 — Gemma 4 12B 文本与 Dessa 音频对比。

• 交互 — Gemma 4 12B 的轮次式请求与响应 vs Dessa 的全双工模式，支持插话打断与反馈附和。

• 硬件 — Gemma 4 12B 大约需要 16 GB 统一内存，而 Dessa 则需要 MacBook Pro M4 Max 或更高配置，据 Block 称。

• 价格 — Gemma 4 12B 可免费下载；第三方提供商的托管费率大约集中在每百万 token 输入 $0.10、输出 $0.30，而 Dessa 没有价格。

• 基准测试 — Gemma 4 12B 有厂商公布的表格，而 Dessa 没有。

• 可用性 — Gemma 4 12B 自 2026 年 6 月起全面可用，而 Dessa 则需排队等候，且仅面向安全研究人员提供小范围预览。

Gemma 4 12B 在哪些方面默认胜出

从 Google 公布的这些数字开始，均为厂商报告且此处未复现：MMLU-Pro 77.2、GPQA Diamond 78.8、无工具情况下 AIME 2026 77.5、LiveCodeBench v6 72.0、Codeforces Elo 1659、Tau2 69.0、MMMU-Pro 69.1 以及 HLE 5.2。其模式是：一个中等规模模型，在同级别中推理和视觉能力强，在最难的前沿问题上较弱，在工具使用方面胜任。256K 上下文窗口和原生函数调用使其成为能够阅读长文档然后采取行动的智能体的合理骨干。

独立于 Google 的 Artificial Analysis 在其 Intelligence Index 上估计该推理变体得分为 14——标注为估算值而非实测运行结果，并且远高于同类开放模型 8 的中位数。这是对厂商表格的有益纠正：一个中等规模的模型，被第三方评为中游水平。

它的音频数据更适中，也与这一比较更相关。CoVoST 为 38.5，FLEURS 为 0.069（越低越好），两者均为厂商报告，其中 CoVoST 数值不含中文。这些是语音翻译和识别指标，而非对话质量。Gemma 能听一段 30 秒的音频并告诉你说了什么。它无法进行实时通话。

许可证是决定大多数商业问题的关键部分。Apache 2.0 意味着没有收入门槛、没有可接受使用条款的谈判，也无需为微调获得厂商许可。对于希望掌控自身推理路径的团队来说，这比一个更好的演示更有价值。

如果 Dessa 的演示成立，它们指向何处

有意思的说法并不是 Dessa 听起来像人，而是消除文本瓶颈会消除一整类失败。先进行转写的流水线必须判断你什么时候说完；它在能够回应之前就先锁定一份转写；它会丢掉那声叹息。双工模型从不需要做出这种承诺。如果 Block 的这些片段具有代表性，那么结果就是一种能容忍重叠的对话——你可以盖过它说话，它也可以盖过你说话。

目前缺少的是任何能判断这些片段是否具有代表性的方式。Block 表示没有人操控模型，字幕是后来添加的，这排除了最粗劣的摆拍。它没有公布留出集、延迟分布、中断恢复率，也没有公布噪声下的可懂度评分。The Verge 认为同样的演示“有点别扭且诡异”，其中一段片段里模型把它的搭档称为“Ronaldo”。一段精心剪辑的集锦可以挺过去；产品却必须经得起。

今天围绕 Gemma 搭建一个语音循环

如果你想现在就拥有一个语音智能体，架构是语音识别，然后是 Gemma 4 12B，最后是语音合成。模型负责理解、推理以及生成回复文本；外围服务负责处理音频。延迟预算主要被两端占据，而不是中间环节：端点检测加上语音合成通常比语言模型生成首个 token 耗费更多实际时间。

OrcaRouter 在那个循环中间很有用，原因却不同。一个 API 统管 200+ 模型意味着无需重写应用就能替换推理步骤，而自动故障转移意味着供应商的小故障不会中断调用。0% 加价模式——按供应商标价原样透传——在供应商降价时很重要，因为降价当天就会在我们这边生效。一个诚实的提醒：我们路由的是 Gemma 4 26B A4B 和 Gemma 4 31B，而不是 12B，后者是下载并自行托管的模型。如果你想让 12B 通过 API 提供，那属于第三方托管决策，不归我们管。

基于约束的选择

• 你现在就需要交付文本或多模态输出——Gemma 4 12B，在这一组合中并无真正可替代的选项。

• 你需要在自己掌控的硬件上进行离线推理——Gemma 4 12B，因为权重真实可用。

• 你需要理解一份文档、一张图片或一段 30 秒的录音——Gemma 4 12B。

你需要一个能被随时打断的实时语音——这两者中只有 Dessa 是针对这一点的，而它目前并不可用。

• 你需要在输出音频中具备情感表现力——{{1}}Dessa 的演示就是证据，而且这些演示是由供应商挑选的。{{/1}}

• 你需要一个能通过采购流程的许可证——Gemma 4 12B 的 Apache 2.0 是唯一可供选择的许可证。

怎样才算得上真正的比较？

有三件事会改变答案。一个 Dessa API，这样两者就能在相同的对话上进行衡量。公布参数量和延迟数据，这样关于笔记本电脑的说法就能被复现。或者由其他人推出一个开放权重的语音原生模型，这将使“Dessa 对 Gemma”变成架构比较，而不是可用性比较。

在此之前，公允的总结是：Gemma 4 12B 是一个有能力的本地多模态模型，但它带着一个无法消除的文本瓶颈；而 Dessa 是一次有前景的尝试，试图消除这一瓶颈，却没有任何公开途径来检验结果。前者是一件工具，后者则是一个制作水准出色、但仍属假设的构想。