HiRO-ACEv2 vs Gemma 4 12B：只有当你不再数参数时，这个对比才有意义

HiRO-ACEv2 和 Gemma 4 12B都是 Apache 2.0 协议下的可下载资源，名字里都带着一个数字，背后也都有一份技术报告，而相似之处差不多也就到此为止了。Gemma 4 12B 是 Google 的 119.5 亿参数多模态语言模型——输入文本、图像和音频，输出文本，拥有 256K token 的上下文窗口，于 2026 年 6 月发布，下载量远超一百万次。HiRO-ACEv2 则是 Ai2 的第二代气候模拟器，于 2026 年 10 月 12 日上传至 Hugging Face 仓库，附带约 10.9 GB 的检查点和强迫数据，没有任何公告，论文在次日才出现。一个是你直接调用的通用模型；另一个是你要装在自己机器上运行的物理框架。

以质量对决的框架来看，这种比较毫无意义，假装它有意义只会是这类页面最容易犯的错误。但如果把它框定为2026年开放权重究竟能带来什么价值的问题，那就确实很有启发性——因为这两个版本虽然带着相同的许可标签，却处在开放程度光谱的两端，而差异在尝试使用其中任何一个的第一个小时里就会显现出来。

每一个分别是做什么用的，各用一句话说明

Gemma 4 12B 接收提示——文本、图像、音频片段或它们的某种组合——并生成文本。它采用无视觉塔、无编码器的架构，通过线性层将图像块和音频波形直接投影到语言模型的嵌入空间，拥有 48 层、262K 词表、与全局注意力混合的 1024 token 滑动窗口，以及在 bf16 下约 119.5 亿参数。它明确是一个稠密模型，并且此次发布包含完整的厂商基准测试表。

HiRO-ACEv2 以 100 公里分辨率的气候状态为输入，生成 3 公里场——降水、10 米东向风和北向风以及平均海平面气压，频率为每六小时一次。它是一个两阶段系统：先是一个将 X-SHIELD 粗化到 100 公里的自回归模拟器，随后是一个将结果降尺度到 3 公里的扩散模型。它输出 NetCDF 风格的网格化场，而不是文本，并且它完全没有基准测试表。

从结构层面来说，这就是整个比较。一个把语言映射到语言；另一个把粗略的氛围映射到精细的氛围。

唯一能真正将两者相提并论的维度

参数是错误的轴，而上下文长度对其中一方来说毫无意义。真正能迁移的维度，是这次发布完成了多少。

• 能够加载它的框架——Gemma 4 12B 可在 Transformers、vLLM、SGLang、llama.cpp、MLX 以及大量社区量化构建上运行；HiRO-ACEv2 则通过 Ai2 自家的 fme Python 包运行，其配置只针对 ai2cm/ace 仓库，别无其他。

• 一次回答的价格 — 提供 Gemma 4 12B 的厂商大致按每百万输入 token 0.10 美元、每百万输出 token 0.30 美元计费；HiRO-ACEv2 没有价目表，因为它根本不存在按请求计费这回事。它的成本是你自己硬件上的 GPU 小时数，而论文声称，这些小时数折算下来不到传统数值全球风暴解析模型的 1/300。

• 谁复现过它——Gemma 4 12B 的数据由厂商自报，但其部署情况并非如此：关于其行为表现的每一项说法背后，都有数十万次下载和大量独立从业者的工作作为支撑；而 HiRO-ACEv2 的数据出自作者本人，发布于两天前，且截至本文撰写时，该代码仓库的下载量为零。

• 许可证标签所对应的对象——两者均为 Apache 2.0。Gemma 4 12B 的授权属于普通许可证；HiRO-ACEv2 的授权则附带 Ai2 的《负责任使用指南》，其中指明研究与教育用途，并额外叠加了其自身适用的使用条款。

• 可被机械校验的输出——Gemma 4 12B 的回答要靠人来阅读，或靠你编写的测试套件来校验；而 HiRO-ACEv2 字段则是与一个分布进行比对校验，这正是这篇论文讨论的是第 99.9999 百分位、而非平均分的原因所在。

基准测试表是最显著的差异

谷歌发布了 Gemma 4 12B Unified 的完整数据表。MMLU Pro 为 77.2%，AIME 2026 在无工具条件下为 77.5%，LiveCodeBench v6 为 72.0%，Codeforces ELO 为 1659，GPQA Diamond 为 78.8%，MMMLU 为 83.4%，MMMU Pro 为 69.1%，MATH-Vision 为 79.7%，MRCR v2 的八针检索在 128k 上下文下为 43.4%。这些都是厂商自己公布的数字，谷歌的竞争对手尚未复现，而那条标准提醒依然适用：模型卡上的基准测试只是对某一配置的声明，而不是对你将实际运行的模型的测量。但这些行中的每一个数字，第三方都能在一个下午之内尝试证伪，而且其中好几项衡量的能力会在日常使用中显现出来。

HiRO-ACEv2 的模型卡中没有这样的表格。它只作出一项定量陈述——降尺度器能够复现地表降水率、10 米风场和海平面气压分布，直至第 99.9999 百分位——随后列出的局限性比大多数基准表更具参考价值。九年训练数据，2014 年至 2022 年。输出复现的是 X-SHIELD，而非观测数据。不适用于 66°S 至 70°N 以外的区域，也不具备在 88°S 或 88°N 以外运行的能力。在大于 16×16 一度训练拼块的区域中存在拼块边界不连续。还有一条说明：随附的 ACE2S-X-SHIELD 检查点比更早的 ACE2-ERA5 系列测试严谨程度更低。

这两种立场都谈不上不诚实。G​oogle 在推销一个模型，所以它宣传的是该模型的得分。Ai2 在发布一项研究成果，所以它宣传的是该成果做不到什么。读者若把缺少基准测试表当作模型弱的证据，就把推理弄反了——正确的解读是，这个框架所需的评估是分布性的，而没有任何公共排行榜会运行这种评估。

它们在实际流水线中相遇的地方

有一个地方，这两者真正属于同一个系统，而且这不是一种对立关系。气候仿真工作流会在模型周围产生大量文本和代码：驱动集合跨越数十年模拟时间的脚本，在一次运行烧掉 GPU 小时之前验证 NetCDF 形状的工具，对数百次推演中的分布统计量进行聚合，以及把一篇论文变成检查清单的日常事务。这些都不是降尺度，而全都是语言模型的工作——那种按请求调用模型、而不是自行托管一个模型才是合理默认做法的活儿。

这正是 OrcaRouter 所覆盖的那一层。HiRO-ACEv2 并不在我们的目录中，也不可能被收录——扩散降采样器没有按 token 计费的端点——因此这里任何内容都不应被解读为它可用的声明。Gemma 4 12B 同样不是我们目前提供的 Gemma 模型之一；我们的目录包含 Gemma 4 26B-A4B 和 31B 检查点，而 12B 的推理路径将取决于你把它托管在哪里。我们提供的是其周边的那一层：一个 API 密钥通用于两百多个模型，按提供商标价透传、不额外加价，并在各提供商之间自动故障转移，这样一个运行数十年、同时还会调用语言模型的流水线，不会因为某家上游出了一小时的问题就停摆。

如何在不到一分钟内做出决定

先问自己：你的答案是什么形态。如果输出是文本、结构化提取、代码更改或说明文字，那么你要的是 Gemma 4 12B——或者它更大的兄弟型号之一——而当你需要多模态输入，且其规模能适配单个加速器并留出长上下文空间时，12B 就是正确的选择。如果输出是一个网格化的 3 公里场，描述数十年模拟气候下的降水、风和气压，那么没有语言模型能生成它，Gemma 4 与你的问题无关；你需要的是 HiRO-ACEv2，下载大小 10.9 GB，一个 Python 环境和一个 GPU。

这个特定对比中的陷阱在于参数数量。Gemma 4 12B 有一个参数数量；HiRO-ACEv2 没有公布，而 10.9 GB 的仓库存储主要是强迫数据和初始条件，而不是权重——这两个检查点加起来大约 4.3 GiB。仅凭规模，或仅凭任何一个数字，把这两个模型并排评判，只会对一个没人提出的问题给出一个自信的答案。

像这样的比较，也正是故障模式暴露之处：OrcaRouter AI Incident Archive 收录了这类模型背后有记录的 AI 事件和智能体故障，其中每个条目都带有各自的来源、严重程度、置信度等级和争议标记。