Tell 1 与 Gemma 4 12B 对比：一个能装进磁盘，一个只能打电话

要理解 Tell 1 与 G​emma 4 12B 之间的差异，最快的办法就是把两者都试着下载一遍。G​emma 4 12B 以 Apache 2.0 许可发布，形式是约 27 GB 的 BF16 safetensors，在单张 24 GB 显卡上以量化版本运行，速度约为每秒 110 个 token，而且它只听你的，不听任何其他人的。Tell 1 则根本下载不到。它是 Retell 自家的推理模型，栖身于一个语音智能体平台之内，该平台按每分钟 0.07 至 0.31 美元收费，既不出售这个模型，也不为它发布模型卡，更不允许你把它指向你自己的基础设施。本次对比中的其余一切，包括基准测试，都源自这一不对称：其中一个模型，任何有 GPU 的人都能测量；另一个则只有拥有它的公司才能测量。

两者都是真正有趣的发布，而且是为不同的任务而构建的。G​emma 4 12B 是 G​oogle DeepMind 的无编码器中尺寸开放模型，于 2026 年 6 月 3 日发布，旨在在你面前的机器上进行多模态推理。Tell 1 是一个联络中心技术栈的推理层，在该模型出现之前，该技术栈每月处理超过 1 亿次通话；它的设计目标是本地模型无法做到的一件事：让第一个音节落在电话呼叫者对静默的容忍范围之内。

有两样东西都被称为模型，而其中只有一个是文件

Gemma 4 12B 拥有 119.5 亿个稠密参数，没有独立的视觉或音频编码器——图像块和音频波形直接进入 Transformer，因此该系列以单个“统一”检查点形式发布，而不是由多个塔式模块堆叠而成。它支持 256K token 上下文，可读取文本、图像、音频和视频帧。Hugging Face 仓库的下载量已超过 1400 万次，聊天模板最后修订于 2026 年 7 月 9 日，许可证为 Apache 2.0，没有收入条款、没有用户数量条款，也无需协商单独的商业协议。

Tell 1 完全没有上述任何产物。在我能查到的 Retell 自家网站上，任何地方都没有发布代码仓库、配置、分词器、许可证文本或上下文窗口数值——而且我查了博客、更新日志、文档索引、新闻中心以及公司的模型基准测试网站。它总共只出现在两个地方：一是首页上的一个标签，位于标题为“由 Retell Labs 开发”的板块下，紧挨着“Agent harness”；二是 Retell 公开语音基准测试 9 月更新日志中后来添加的一条 11 月更新说明。这就是全部公开记录。这不算丑闻；许多平台供应商都会发布内部模型而不为其提供文档。但这确实意味着，这场对比有一半只能凭厂商的说法来进行，而另一半你今晚就能在自己的硬件上完成。

其中一人在公开场合回答的五个问题

把两者放在买家真正需要的维度上并排比较，差距的轮廓就变得显而易见。每一行都要列出双方，因为重点是对比，而不是打分：

• 权重 — G​emma 4 12B 将其公开，采用 Apache 2.0，可自托管、可微调、可再分发；Tell 1 不发布任何内容，只能作为 Retell 语音代理的一部分访问。

• 规模——11.95B 稠密参数，BF16 下约 27 GB，量化后低于 7 GB，适用于 G​emma；Tell 1 未披露，而它在 Retell 的测试框架内以 72 毫秒中位数响应，这一事实意味着它是一款小型、专用模型，而非前沿通用模型，但这只是推断，并非文档记载。

• 上下文 — Gemma 4 12B 为 256K tokens；Tell 1 未说明，对于电话代理而言，这并不像听起来那么令人担忧，因为通话时间很短，而且知识库存在于模型之外。

• 模态 — G​emma 接受文本、图像、音频和视频输入并返回文本；Tell 1 接受语音平台交给它的转录文本与工具负载，至于它还接受哪些其他输入，则未公布。

• 证据 — G​emma 有一张厂商卡片（DocVQA 94.9、InfoVQA 88.4、MMLU-Pro 77.2、GPQA Diamond 78.8，均为 G​oogle 报告的），以及独立的 Artificial Analysis 智能指数 14，速度约为每秒 110.9 个 token；Tell 1 在其所有者编写的基准测试中只有一行数据，下文将对此进行说明。

注意哪一栏更长。这并不是在贬低 Tell 1 的质量；而是在说明你在花钱之前能够验证什么。一个可以下载的模型，你能在一个下午用自己的数据对它进行测试。一个只能租用的模型，测试它的方式就是租用它。

Tell 1 的头条数字实际衡量的是什么

Retell 的 vCX Benchmark 以结构化数据而非营销图表的形式发布结果，这一点比大多数厂商排行榜做得更多。Tell 1 位于一张包含 62 个受评估配置、取自 45 个模型的表格中，其所在行在对话端表现最强：在 Retell 的口语化维度上达到 96.6%，中位数为 72.5 毫秒，两项均列该领域第一。同一行在指令遵循以及 Retell 标注为幻觉的那一行上排名第二，在工具调用上排名第五，模型成本为每分钟 3.5 美分，在 62 个配置中排第 19。将四个维度平均后得到 94.45%，这也是 Retell 主推的数字。

这些排名旁边应附上两点说明，而这两点都不是因为 Retell 不诚实——只是数据根本不足以支持更简洁的解读。第一，Tell 1 所在行标注的是基准测试版本 17，而 62 行中有 50 行标注的是版本 1；基准测试修订其任务是正确做法，但跨两个不同测试集计算出的“综合第一”只是汇总值，并非同口径的对比结果，页面也并未对此做归一化处理。第二，四个维度并不一致。在它自己的基准测试里，Tell 1 在遵循指令和调用工具两项上都不是最佳模型——GPT-6-Astra 的指令遵循得分为 89.7%，而 Tell 1 为 88.6%，并且至少有一个 Claude 版本在工具调用上略占上风。它真正彻底胜出的，是通话者能听出来的两点：它速度最快，而且听起来最像真人。

有一个数字值得厘清，因为报道中常把两者混为一谈：72 毫秒是模型在测试框架内的延迟，而不是通话者实际体验到的延迟。Retell 的主页给出的智能体典型响应时间约为端到端 600 毫秒，其中包括语音识别、编排、模型推理回合和语音合成。两个数字都可能成立。只有第二个数字才是电话另一端的人所感知到的。

每个在堆栈中的归属位置

Gemma 4 12B 并不适合实时电话语音代理，原因不在质量。单 GPU 上的 12B 稠密模型是不错的组件，但经由自建服务栈的往返，再加上语音识别与语音合成，会把端到端响应推到来电者开始抢在代理之前说话的程度。Google 对 12B 的定位是笔记本电脑上的智能体工作——文档理解、屏幕读取、工具使用、编码辅助——这个定位是准确的。如果你的任务是每晚处理十万张发票、不能发送给第三方的私有语料库，或离线现场设备，Tell 1 都无法竞争，因为 Tell 1 根本无法部署到这些场景。

Tell 1 恰恰相反。它无法离开 Retell，你无法用自己的转录文本对它进行微调，未经 Retell 合作，第三方也无法对它进行基准测试。它能做的是，在一个已经拥有电话通信、轮次管理和语音能力的平台内作答，并在 72 毫秒内完成，而这正是技术栈中无论多少提示词工程都无法解决的部分。如果你是在购买联络中心智能体，而不是自己构建一个，那么这就是唯一重要的那一栏。

中间路线才是大多数团队实际会落到的位置：用一个小型自托管模型承担大量确定性的工作，再用一个托管的前沿模型应对困难的转折。这两个模型都不是第二个位置的自然选择，而这正是我们自己的目录 relevant 的地方。Tell 1 和 G​emma 4 12B 都无法通过 OrcaRouter 路由——我们不托管 Tell 1，而我们提供的 G​emma 4 规格是 31B Instruct 和 26B A4B，不是 12B。这两款按提供商标价出售，不额外加价：31B 为每百万 token 输入 $0.13、输出 $0.38，26B A4B 为输入 $0.06、输出 $0.33。如果你想要 12B 的目的是“一个无需自己拥有 GPU 就能调用的 G​emma 4”，那么这才是诚实的比较基准。

成本，换算为同一单位

把按分钟计费的平台价格与按 token 计费的模型价格相比较，正是大多数这类文章悄悄做手脚的地方，所以这里给出的是换算，而不是结论。Tell 1 并不单独计价；它包含在 Retell 每分钟 $0.07 至 $0.31 的价格内，而列有它的基准测试行写着每分钟 3.5 美分的模型成本，这属于该区间之内，而不是替代该区间。按照 Artificial Analysis 的混合价格——每百万输入 token $0.10、每百万输出 token $0.30——Gemma 4 12B 按 token 算几乎免费，然后你还要为 GPU 付费：一张 24 GB 显卡运行一小时的成本，比 Retell 最便宜档位一千分钟的费用还高，因此只有在持续业务量且利用率很高时，才会出现成本交叉点。

• 成本单位 — Tell 1 按每分钟对话的美元数计；G​emma 4 12B 按每百万 token 的美元数加 GPU 小时数计。

• 盈亏平衡点 — 只要你的 GPU 已经处于忙碌状态，G​emma 就会在边际成本上胜出；而在业务量足以让一张卡保持饱和之前，Tell 1 则在总拥有成本上胜出。

• 隐藏收费项 — Tell 1 将电话、语音合成和配套工具打包成一个数字；自托管的 G​emma 技术栈则会分别就 ASR、TTS、服务层和值班工程师向你收费。

该选哪一个

如果本季度的需求是一个听起来像真人的电话 agent，那么 Tell 1 是两者中唯一真正算产品的那个，而基准测试——包括其中的注意事项——表明，它最擅长的地方正是你要买的东西。在同一个 Retell agent 里，把它和你目前信任的模型做对比测试，听二十通电话，并统计 grounding 错误，因为 Retell 自己的数据表明，它正是在这里失分。

如果需求是一个你可以检查、微调、私有托管、在产品内再分发，或在无网络环境下运行的模型，那么 G​emma 4 12B 不仅仅是更好的选择——它是本页面上唯一的选择。Apache 2.0 与 12B 模型上的 256K 上下文这一组合每个月都变得更有用，而 1400 万次下载表明许多团队已经得出了这一结论。

无论买哪一个，在这之前真正值得问的问题是：这两句话里，哪一句描述的是你的问题——因为它们并不是同一个问题，而任何基准测试都无法告诉你，你面对的是哪一个。