SubQ Snap 1.1 与 Gemma 4 12B：专用评判模型对阵开放通用模型

同时问问SubQ Snap 1.1和Gemma 4 12B：五百张支持工单中哪些是退款请求，两者都会给出可用的答案。只有其中一个还会逐张工单告诉你它有多大把握——并且只有其中一个能下载到你自己的硬件上运行。这就是全部对比，而它之所以无法归结出一个赢家，是因为这两个模型并不真的属于同一产品类别。Snap 1.1 是 Subquadratic 于 2026 年 10 月 22 日发布的决策模型：它对一组固定选项进行打分，不生成文本。Gemma 4 12B 是 Google DeepMind 的开放权重通用模型，一个约 120 亿参数的稠密模型，采用 Apache 2.0 许可，可读取文本、图像、音频和视频，并生成文字回复。

如果你把它们当作替代品，就会犯两种错误之一：为一个本可以在笔记本电脑上运行的分类器支付 API 费率，或者试图从一个从未被训练过要弃权的模型中获取结构化路由。若把它们视为同一条流水线的两层，它们配合得还算不错。

每一个实际上是什么

Gemma 4 12B 是 Gemma 4 家族中的“中间孩子”，介于端侧 E2B 和 E4B 模型与 26B-A4B、31B 档位之间。其引人注目的架构主张是无编码器：图像 patch 和音频波形直接投影到语言主干中，而不是经过独立的视觉和音频编码器处理。它提供推理模式和非推理模式，以 Apache 2.0 许可发布，并且是团队会选择的那类模型，因为它可以被微调、量化、嵌入和交付，而无需征得任何人的许可。追踪机构对确切发布日期存在分歧——Artificial Analysis 和 BenchLM 说是 2026 年 6 月 3 日，llm-stats 说是 5 月 23 日——这小小地提醒人们，即便是关于开放发布的乏味事实，也会因统计者不同而以不同方式被重述。

SubQ Snap 1.1 有意做得更窄。它最多接收 384K 个 token 的文本和图像，外加应用定义的答案集——一到十六个问题，每个问题两到 255 个选项——并返回一个带概率的选择。没有需要解析的自由文本输出，没有要强制执行的 JSON schema，模型也无法回答你没有提供给它的问题。Subquadratic 的论点是，这与生成是不同的计算任务，并且稀疏注意力架构可以以每个 token 恒定的计算量完成这项任务，而不必在一个 300K token 的文档上付出二次注意力的代价。

规格对比

• 上下文 — SubQ Snap 1.1 可在单次处理中接受 384K 个 token；Gemma 4 12B 可接受 256K（262,144）。

输入模态——Snap 1.1 支持文本和图像；Gemma 4 12B 支持文本、图像、音频和视频。

• 输出 — Snap 1.1 从你的列表中返回一个选项或分数，并附带概率；Gemma 4 12B 生成任意长度的文本。

• 价格 — Snap 1.1 每 100 万输入 token 为 $0.04，输出免费；Gemma 4 12B 在各提供商中的中位价为每 100 万输入 token $0.10、每 100 万输出 token $0.30。

• 权重——Snap 1.1 不发布任何权重；Gemma 4 12B 提供 Apache 2.0 权重，你可以下载、量化并自行托管。

• {{1}}校准{{/1}} — Snap 1.1 报告预期校准误差为 0.014，在其无法回答的问题上弃答率为 86%；Gemma 4 12B 未公布可比的校准数据。

基准锚点——Snap 1.1 在 Artificial Analysis Decision Index v1.0 上得分为 65，并列第一；Gemma 4 12B 在 Artificial Analysis Intelligence Index 上得分为 14，这是其规模级别的估算值。

最后两行不可比较，不应在没有警告的情况下并排放在一起。Decision Index 衡量的是固定答案任务中的决策质量；Intelligence Index 衡量的是通用推理能力。65 和 14 回答的是不同的问题。

双方都能完成的任务，以及它的代价

设想一个真实的路由调用：一个 8,000 token 的工单线程、五个候选队列、一个答案。Snap 1.1 对每百万输入 token 收费 $0.04，输出不收费，因此这次调用成本约为 $0.00032。Gemma 4 12B 按提供商定价中位数，对同样的 8,000 个输入 token 收费 $0.0008，另加输出费用——一个裸标签大概是五个 token，也就是 $0.0000015，但一个先思考再回答的推理配置很容易花掉 200 到 400 个 token，这又是 $0.00006 到 $0.00012。

因此，按 API 价格计算，Snap 每次调用的成本要低两到三倍；而且随着文档变长，这一差距还会进一步扩大，因为 Gemma 的输入价格是 Snap 的两倍半。在 10 万 token 的规模下，Gemma 还没开始输出任何内容，对比就已经是 0.004 美元对 0.010 美元。

现在，在你自己已经拥有的 GPU 上自托管 Gemma 4 12B。每次调用的边际成本降到只剩电费，对比结果就彻底反转了。这是这场对比中最重要的一点：只有当你按 token 购买推理时，Snap 1.1 才更便宜。如果你有闲置算力，Gemma 的边际成本就是零，而 Snap 永远做不到。

Gemma 4 12B 胜出之处

显而易见的答案是开放，但真正有用的说法要更具体。Apache 2.0 意味着没有厂商能擅自弃用你所依赖的端点，没有速率限制能在凌晨两点限流批处理作业，也没有任何数据会离开你的网络。对于受监管的工作流——理赔分诊、临床编码、合同审查——最后这一点通常会在讨论价格之前就一锤定音。

Gemma 还能做 Snap 在结构上无法做到的事。它会在路由器决定升级后撰写升级摘要。它能读取扫描表单、转写通话录音，并在一次处理中回答同时涉及两者的提问。它可以基于你自己的标注数据进行微调；对于狭义的分类任务，这往往能胜过任何通用模型的零样本表现。按照厂商自己公布的数据，它在 MMLU-Pro 上得分 77.2，在 GPQA 上得分 78.8，在 LiveCodeBench v6 上得分 72.0——对前沿模型而言不算高，但对一个能装进单块加速器的东西来说，完全可圈可点。

它的弱点同样具体：在无工具条件下，Humanity's Last Exam 得分为 5.2，MRCRv2 长上下文检索为 43.4，而在典型服务商速度下，首 token 延迟约为 2.4 到 2.6 秒——对于智能体循环中的一次路由跳转而言，这偏慢了一些。

SubQ Snap 1.1 的优势所在

三件事，按重要程度排序。第一，经过校准的弃答。Snap 1.1 报告称，在它无法正确回答的问题上，其说“我不知道”的比例为 86%，而在厂商的全知性代理指标上，它自己的 1.0 版本这一比例仅为 0.7%——这一提升是此版本的最大亮点。要让通用 LLM 可靠地弃答，需要提示工程、置信度启发式方法，或让第二个模型给第一个模型打分，而这些都不如一个将弃答作为明确训练目标的模型来得干净利落。

其次，上下文。单次处理 384K，对比 256K，而且——更关键的是——无需设计分块策略。一个 256K 的通用模型在技术上可以容纳该文档；但它能否从文档中间检索到正确的句子则是另一个问题，而 Gemma 在 MRCRv2 上获得的 43.4 分表明，诚实的答案是“有时”。

第三，输出的形态。一个分布在你五个队列上的概率可以直接用作路由阈值。而生成出来的一句话则不能，而把前者转换成后者的胶水代码，正是大多数生产环境分类缺陷的藏身之处。

Snap 所欠缺的是对 1.1 的任何独立验证。现有的第三方评估测试的都是预览模型，其中一项——95pctai 开展的一项文档相关性评分研究，将 Snap 与 Gemma 4 31B 进行对比——发现 Snap 的速度大约快一倍，每次运行的成本仅为其一半，但漏掉了 Gemma 基线捕获的 21 个答案。该研究的作者指出，评判模型和基线均为 Google 模型，这可能对 Gemma 有利，而且 Snap 只运行了一次。

部署现实

Gemma 4 12B 不在 OrcaRouter 的产品目录中。我们提供同系列的 26B-A4B 和 31B 规格，而 12B 可通过 Google 自有渠道以及多个第三方平台获取。Snap 1.1 同样不属于我们：它通过 Subquadratic 的 API 在 console.subq.ai 上运行。

对大多数团队来说，实际问题不在于统一采用哪一个，而在于决策层和生成层是否应共享同一个依赖项。它们的故障方式不同。路由器宕机会在任何工作开始前就让流水线停住；生成器宕机则会让它中途停摆。将两者交给不同供应商——在 OrcaRouter 上用一把密钥访问 200+ 个生成模型，按供应商标价 0% 加价，并具备自动故障转移，决策模型则另签一份合约——意味着任一供应商遇到糟糕的下午时，流水线会降级运行，而不是彻底停摆。

如何一次性决定

如果决策是在固定选项集上做标签，文档很长，而且你无法托管权重：选 Snap 1.1，并为构建你自己的评估框架预留预算，因为还没有人为这个版本发布过评估框架。

如果决策结果是一个标签，但同一次调用还需要生成文本，或者数据不能离开你的网络，又或者你有闲置的 GPU 算力：那么，用你自己的几千个样本微调过的 Gemma 4 12B，在你的特定任务上通常能胜过通用决策模型。

如果你确实不确定，低成本实验就是把两者都跑在同样的 2,000 个已标注案例上，比较的不是准确率，而是各自所犯错误带来的成本。Snap 会更常弃答。Gemma 会回答更多，也更常在不说明的情况下出错。这两者中哪个更糟，是你业务本身的属性，而不是任一模型的属性。