AREX-2 對比 Gemma 4 12B：其中一個是模型

在這篇文章中，Gemma 4 12B與AREX-2之間的比較，具有一項本站其他任何對決都沒有的特性：兩欄之中有一欄是空的，因為那一側的模型還不存在。Gemma 4 12B 是已發布的成品——Goog​le DeepMind 於 2026 年 6 月 3 日發布，是一款 119.5 億參數的稠密開放權重模型，採用 Apache 2.0 授權，附有完整的模型卡、256K token 的上下文視窗、原生音訊與圖像輸入，並已歷經三個半月的獨立測試。AREX-2 則是 BAAI 於 2026 年 9 月 29 日 17:56 UTC 在 Hugging Face 上建立的儲存庫，至今尚未放入任何內容：沒有權重、沒有模型卡、沒有授權標籤、沒有評估、也沒有發布公告。

那種不對稱並不是跳過比較的理由。它本身就是比較。值得回答的問題不是這兩者哪個更好——在 AREX-2 裡有檔案之前，沒有什麼能回答這點——而是第二代 BAAI 研究代理究竟是否會與 12B 邊緣模型競爭，或者這兩者是否佔據同一個堆疊中永遠不會相觸的位置。搞錯這一點就是代價高昂的錯誤，因為正是這種錯誤會讓團隊為錯誤的東西編列預算。

已出貨的一方，以它自身的方式

Gemma 4 12B 是 Google 第四代開放模型家族中的小型成員，其決定性的設計選擇在於架構：它完全捨棄了獨立的視覺編碼器，將原始影像區塊與音訊波形直接饋入 Transformer。這不是基準測試的取巧手法。這正是讓該模型真正具備可攜性的關鍵——約 27 GB 的 BF16 權重，量化後可低於 7 GB，而模型卡上將 16 GB VRAM 列為部署目標。在筆電或單張中階顯卡上，這是一款你真正駕馭得了的模型。

能力概況便由此而來。Google 自家的模型卡——由廠商自行報告，值得如此標註——列出文件理解方面的 DocVQA 94.9 與 InfoVQA 88.4、MMLU-Pro 77.2、GPQA Diamond 78.8、AIME 2026 77.5，以及思考模式下的 LiveCodeBench v6 72.0。獨立的 Artificial Analysis 將該推理配置的智慧指數評為 14，測得每秒 114 個詞元，並將典型服務呼叫的價格定為每百萬輸入詞元 0.10 美元、每百萬輸出詞元 0.30 美元。我們自家目錄中較大型號 Gemma 4 31B 的條目，在 GPQA Diamond 上則有 85.7。這呈現出的輪廓是：一個小型通用模型，在文件和圖像上異常強勁，在推理上表現合理，而在困難的多步驟工作上則遠不及前沿模型。

因此，它的職責描述很具體：本機或單租戶推論、文件與螢幕截圖理解、適度的代理式迴圈，以及任何資料不得離開所在場所的用途。它不是深度研究引擎，Google 也沒有把它當成深度研究引擎來販售。

另一個是一個名字和一個

本週關於 AREX-2 所有可確認的資訊，用一句話就能說完。它是 Hugging Face 上 BAAI 組織底下的一個儲存庫，建立於 2026 年 9 月 29 日，裡面只有一個 .gitattributes 檔案，別無其他——零位元組的模型資料、零次下載、沒有模型卡、沒有授權宣告、沒有任何供應商部署。BAAI 本身則什麼也沒宣布。

真正讓它值得寫下來的是它以之命名的家族。BAAI 的 AREX 系列於 2026 年 7 月 23 日推出，共有兩個模型：AREX-Base，一個以 Qwen3.5-122B-A10B 為基礎、擁有 1,220 億參數與 100 億活躍參數的混合專家模型；以及 AREX-Turbo，一個以 Qwen3.5-4B 為基礎打造的稠密 40 億參數模型。兩者皆採用 Apache 2.0 授權。兩者都是深度研究代理，而非聊天模型——內迴圈負責蒐集證據並產出帶有信賴度數值的候選答案，外迴圈則對照原始限制條件檢查該答案，並可精煉或重新啟動整條軌跡。根據 BAAI 公布的數據，AREX-Base 在 BrowseComp 上達到 82.5、在 GAIA 上達到 85.4、在 DeepSearch QA 上達到 89.9；AREX-Turbo 在相同三項上則分別達到 70.7、81.6 與 78.5。

那些數字全都是廠商自己提供的，且沒有一項經過獨立重現。它們所描述的還是另一個模型。AREX-2 沒有任何數字，而「2」完全無法說明規模、主幹或架構——這條產品線的第二代，可能是更大的代理、更小的蒸餾模型，或是主幹被替換後重新訓練的框架。

這兩者到底有沒有交集？

這裡就是這項比較比表面上看起來更有用的地方。就拿關於 AREX-2 會變成什麼的兩種合理解讀來說。

如果它是第二代研究代理，規模達到任何接近 Base 的程度，那麼它和 Gemma 4 12B 根本不會互相競爭。一個驅動多來源搜尋的 122B 專家混合模型，是一項託管、按 token 計費、受網路限制的服務；Gemma 4 12B 則是你自行下載並執行的檢查點。兩者之間的抉擇並非品質比較，而是關於你的工作負載是研究迴圈還是推論端點的決定。

如果 AREX-2 最終證實是小型等級——是 4B Turbo 的後繼者，而非 122B Base——那麼這兩者確實同佔一個層級，比較也就變得名符其實。那個版本的 AREX-2，參數量約為 Gemma 4 12B 的三分之一，專精於工具驅動的搜尋，而非多模態的廣度，並且會在 BrowseComp 和 GAIA 上衡量，而不是在 DocVQA 上。兩個小型模型，一個為維持長時間的研究軌跡而最佳化，另一個則為在一般硬體上觀看與閱讀而最佳化。打造文件處理流程的團隊不該在意前者；打造研究代理的團隊不該在意後者。

• 已存在的部分—— Gemma 4 12B 今天即可下載，並附有完整的模型卡。AREX-2 則是一個裡面沒有任何檔案的儲存庫。

• 參數 — Gemma 4 12B 為 11.95B 稠密模型。AREX-2 未說明，僅能從產品名稱推斷。

• 上下文 — Gemma 4 12B 為 256K 個 token（262,144 個位置）。AREX-2 則未知。

• 模態 — 文字、圖像與音訊輸入，適用於 Gemma 4 12B。AREX-2 未知；第一代 AREX 為文字加工具使用。

• 授權條款 — Gemma 4 12B 採用 Apache 2.0，已於模型卡上註明。AREX-2 則未註明；AREX-Base 與 AREX-Turbo 皆為 Apache 2.0。

• 用途 — 可在自有硬體上部署的多模態推論，對比於根據該系列證據、針對託管端點進行的長程搜尋與證據彙整。

真正可比較的部分：每一個各自在哪裡執行

既然無法進行能力比較，那麼部署比較就是唯一誠實可做的比較，而兩者差距極為懸殊。

Gemma 4 12B 會在你部署的地方運行。沒有價目表、沒有按 token 計量的收費表，你和模型之間也沒有供應商——成本在於硬體與電力，而失效模式則是你自己的容量規劃。相較之下，AREX-Base 於七月推出時，是 122B 的混合專家模型：這種模型你要在叢集上自行部署，或按 token 租用；而該系列自家會有 4B Turbo，正是因為那樣的選擇是有代價的。如果第二代沿用相同的形態，AREX-2 的經濟效益將取決於每次查詢所消耗的 token 數，乘上一條軌跡所採取的搜尋步驟數——這個數字對深度研究型代理而言，遠比文件閱讀模型大得多，因為代理在每一次迭代中都會重新讀取不斷成長的上下文。

那就是路由層不再只是抽象概念，而開始成為一筆具體費用項目的地方。如果你最後是拿研究代理去跑託管模型，同時保留本機的 Gemma 4 12B 來處理文件工作，一般情況下這就是兩套整合。透過一個串接 200 多個模型的 API——供應商牌價原樣轉嫁，不額外加價，所以廠商調價當天就反映出來——它們就變成一把金鑰、一張帳單和一個用戶端，而容錯移轉規則可以把請求從正逢狀況不佳的供應商移開，你的代理迴圈卻毫不知情。我們目前有將 Gemma 4 26B-A4B 和 Gemma 4 31B 納入路由；我們沒有路由 12B，AREX 系列也沒有任何型號在我們的目錄上，所以如果這兩者之一是你要的模型，它得來自其供應商自家的發行管道。

本週該做什麼

如果你需要一個能自己執行的輕巧多模態模型，這個決定從來就不必等 AREX-2。Gemma 4 12B 已經推出、有文件記載、經過獨立評分，而且可以部署，另一邊的比較欄位卻是空的。別憑一個預留名稱就購買任何東西。

如果你正在打造深度研究代理，而 AREX 系列正是你真正想要的，那要留意的不是名稱，而是檔案樹：該儲存庫裡是否出現 safetensors、模型卡上寫的參數數量是多少，以及它掛上哪個授權標籤。第一代以 Apache 2.0 發布；如果第二代也一樣，問題就會變成託管問題，而不是授權問題。在那之前，AREX-Base 是你實際能跑的 AREX 模型，而且它自七月起就已可用。

這篇文章名義上要談的比較，有一件事值得直說：一個一邊是儲存庫提交、另一邊是已推出模型的 VS 頁面，並不是一場對決，而是一份時程表。這份時程表說的是：Gemma 4 12B 現在已可用，而 AREX-2 則完全不可用。