Dessa 對決 Gemma 4 12B：兩款筆電模型，只有一款你能下載

最有用的比較，是在Dessa與Gemma 4 12B之間，而不是基準測試分數。它是一個檔案。Gemma 4 12B——Google DeepMind 的 119.5 億參數開放權重模型，發布為Gemma 4 12B Unified，於 2026 年 6 月 3 日在 Apache 2.0 授權下——是一個你今天下午就能下載、在 16 GB 筆記型電腦上執行，並在無須徵求任何人同意的情況下微調的檢查點。Block 於 2026 年 10 月 23 日宣布的 Dessa，是一款全雙工語音模型；根據其開發商說法，它能在 MacBook Pro M4 Max 上運行，只不過你無法下載它、呼叫它或檢視它。它排在候補名單之後，沒有權重、沒有 API、沒有價格，也沒有公布參數數量。

兩者都以地端模型的名義販售，但實際上有對外發佈的只有其中一款。這個區別決定了其餘一切：你能打造什麼、你能衡量什麼，以及所謂「能在筆電上跑」究竟是什麼意思。

簡短的答案，以及它為何簡短

如果你的目標是在本季度推出能處理文字、圖像、音訊或影片的產品，那麼 Gemma 4 12B 是這兩者中唯一一個你可以使用的產品。如果你的目標是研究全雙工語音——一種會邊說邊聽、會插話，且被打斷也不會失去脈絡的模型——那麼 Dessa 是更有意思的產物，而你目前還無法取得它。

那聽起來像是在打發人。更準確地說，這是在描述兩個不同的成熟階段。Gemma 4 12B 是一個已完成的開放發佈版本，附有授權條款、模型卡和基準測試表。Dessa 則是一個帶有示範影片的研究預覽版。比較兩者的能力，就像拿已出貨的相機和實驗室原型機相比：原型機可能搭載更好的感光元件，但只有其中一台能拍出你留得住的照片。

「local」的兩種意思

Gemma 4 12B 的本地部署故事很具體。它是稠密的僅解碼器模型，採用無編碼器的統一架構——48 層，影像區塊直接投影，音訊無需獨立編碼器即可處理。Google 將其定位為約需 16 GB 統一記憶體，權重以 BF16 格式放在 Hugging Face 上，GGUF、MLX 及其他社群版本也陸續跟進。你可以在飛機上離線執行，無需帳號。

Dessa 的本地運行說法只是頁面上的一句話：在 MacBook Pro M4 Max 或更高等級的機器上，推論速度比即時還快。沒有記憶體數字、沒有量化、沒有檔案大小，也沒有下載。這個說法可能完全屬實。它也無法從外部被否證，因為廠商文章裡的「在本機運行」，可能是指「我們的研究人員在筆記型電腦上示範過」，而不是「你會在自己的機器上運行它」。在出現權重檔或安裝程式之前，誠實的解讀是第一種。

人會聆聽，也會交談

架構上的差異比參數差距更為鮮明。Gemma 4 12B 是多模態讀取器：輸入文字、圖像、音訊與影片，輸出文字。其音訊輸入每段上限為 30 秒，影片輸入則約為 60 秒、每秒一幀。在這些限制內，它可以轉錄、翻譯、描述、回答關於錄製內容的問題，並擷取結構化資料。換句話說，它極擅長將世界中有界的一段內容轉換成文字。

Dessa 是一種對話式串流：音訊輸入、音訊輸出，完全沒有文字階段。沒有可供檢視的轉錄稿、沒有 token 邊界，也沒有獨立的合成步驟。Block 的主張是，這能保留語調、笑聲、嘆息與時序，而語音轉文字再轉語音的流程會把這些抹平。它的示範顯示模型會在句子中途笑出來、配合音量，並補完講者忘記的電影名稱。

實際後果是，這兩個模型在 API 層面無法互相替代。你無法把 PDF 傳給 Dessa。你也無法要求 Gemma 4 12B 在回答中途被打斷，因為它不會產生可供中斷的音訊串流。以 Gemma 為基礎打造的語音產品至少還需要兩個元件；而以 Dessa 為基礎打造的文件產品則完全不可能。

規格表，兩面在同一行

以下數據除非另有標註，否則均為廠商提供。Gemma 的數據來自 Google 的模型卡；Dessa 的數據來自 Block 的公告頁面，而該頁面公布的資訊少得多。

• 參數 — Gemma 4 12B 11.95B dense，對比 Dessa 未公開。

• 權重 — Gemma 4 12B 以 Apache 2.0 授權可下載，對比 Dessa 則未公開任何內容。

• 背景脈絡 — Gemma 4 12B 為 262,144 個詞元，而 Dessa 未註明，且沒有詞元介面可供對照衡量。

• 輸入 — Gemma 4 12B：文字、圖像、最長 30 秒的音訊、最長約 60 秒的影片；Dessa：即時音訊串流。

• 輸出 — Gemma 4 12B 文字對比 Dessa 音訊。

• 互動 — Gemma 4 12B 的回合式請求與回應，對比 Dessa 的全雙工（支援插話與回饋訊號）。

• 硬體 — Gemma 4 12B 約需 16 GB 統一記憶體，而 Dessa 則需 MacBook Pro M4 Max 或更高規格，據 Block 所述。

• 價格 — Gemma 4 12B 可免費下載；第三方供應商的託管費率約為每百萬個詞元輸入 $0.10、輸出 $0.30，而 Dessa 則未提供價格。

• 基準測試 — Gemma 4 12B 有廠商公布的表格，對比 Dessa 則無。

• 可用性 — Gemma 4 12B 自 2026 年 6 月起全面開放使用，而 Dessa 則需排隊等候，且僅提供給少數安全研究人員預覽。

Gemma 4 12B 預設勝出之處

先從 Google 公布的數字談起，這些數字全為廠商自行提報，本文並未重現驗證：MMLU-Pro 77.2、GPQA Diamond 78.8、AIME 2026 在不使用工具的情況下為 77.5、LiveCodeBench v6 72.0、Codeforces Elo 1659、Tau2 69.0、MMMU-Pro 69.1，以及 HLE 5.2。整體模式顯示：這是一款中型模型，在推理與視覺方面於同級之中表現強勁，但在最艱難的前沿問題上偏弱，而工具使用能力則稱職。256K 的上下文視窗與原生函式呼叫功能，讓它成為「先讀長文件、再採取行動」之代理的合理骨幹。

獨立於 Google 的 Artificial Analysis 在其 Intelligence Index 上將推理版本估計為 14 分——標註為估計值而非實測結果，且遠高於同類開放模型的中位數 8 分。這對廠商提供的表格是有用的糾正：一個中型模型，被第三方評為中游水平。

它的音訊數據較為保守，也更貼近這項比較。CoVoST 為 38.5，FLEURS 為 0.069（越低越好），兩者皆由廠商報告，且 CoVoST 數字不含中文。這些是語音翻譯與辨識指標，不是對話品質。Gemma 能聽取 30 秒的片段並告訴你說了什麼。它無法進行即時通話。

授權條款是決定大多數商業問題的關鍵。Apache 2.0 意味著沒有營收門檻、不必就可接受使用條款進行協商，微調也不需要取得廠商許可。對於想掌握自家推論路徑的團隊來說，這比更出色的示範成果更有價值。

Dessa 的 demo 指向何處，如果它們站得住腳

有趣的說法不在於 Dessa 聽起來像人，而在於移除文字瓶頸會消除一整類失敗。先進行轉錄的管線必須判斷你何時說完；它在能回應之前就鎖定了一份轉錄稿；它會漏掉嘆息聲。雙工模型從不做出這種承諾。如果 Block 的片段具有代表性，結果就是一種能容忍話語重疊的對話——你可以蓋過它說話，它也可以蓋過你說話。

缺失的是任何能判斷這些剪輯是否具代表性的方法。Block 表示沒有人操控模型，而且字幕是事後才加上去的，這排除了最粗糙的擺拍安排。但它沒有公佈留出集、延遲分佈、中斷恢復率，或噪音下的可懂度分數。The Verge 發現這些示範「有點尷尬又詭異」，包括一段模型把搭檔叫做「Ronaldo」的剪輯。精選影片合輯可以撐過這種問題；產品則必須撐過。

今天要用 Gemma 打造一個語音迴圈

如果你現在想要一個語音代理，架構會是語音辨識、接著是 Gemma 4 12B、然後是語音合成。模型負責理解、推理以及回覆的文字；周邊服務則負責音訊。延遲預算主要被前後兩端吃掉，而不是中間那段：端點偵測加上語音合成，通常會比語言模型產生第一個 token 花掉更多實際時間。

OrcaRouter 在那個迴圈的中間很有用，原因不同。一個 API 就能對接 200+ 個模型，這表示推理步驟可以替換，而不必重寫應用程式；自動容錯移轉則表示供應商偶發問題不會讓呼叫中斷。0% 加價模式——供應商牌價原樣透傳——在廠商降價時很重要，因為降價當天就會在我們這邊生效。坦白說一點：我們路由的是 Gemma 4 26B A4B 和 Gemma 4 31B，不是 12B，12B 是下載後自行託管的模型。如果你想要把 12B 放在 API 後面，那是第三方託管的決定，不是我們的。

依限制選擇

• 你現在需要交付文字或多模態輸出——在這組搭配中，{{1}}Gemma 4 12B{{/1}} 沒有真正可比的替代方案。

• 你需要在可自主掌控的硬體上進行離線推論——Gemma 4 12B，因為權重確實存在。

• 你需要讓一份文件、一張圖片或一段 30 秒的錄音被讀懂——Gemma 4 12B。

• 你需要一個可被打斷的即時語音——Dessa 是兩者中唯一以此為目標的，但它目前無法使用。

• 輸出音訊需要具備情感表現力——Dessa 的示範就是證據，而這些示範是由廠商挑選的。

• 你需要一個能走完採購流程的授權條款——Gemma 4 12B 的 Apache 2.0 是檯面上唯一的授權條款。

要怎麼做才能讓這成為真正的比較？

有三件事會改變答案。一個 Dessa API，讓兩者能在相同的對話上被衡量。已公布的參數量與延遲數據，讓筆電上的說法得以重現。或者其他人推出的開放權重、原生語音模型，這會把「Dessa vs Gemma」變成架構的比較，而不是可用性的比較。

在那之前，公允的總結是：Gemma 4 12B 是一個能力不俗的本地多模態模型，卻帶有一個它無法移除的文字瓶頸；而 Dessa 則是一次很有前景的嘗試，試圖移除那個瓶頸，卻沒有公開的方法來檢驗結果。第一個是工具。第二個則是包裝精良的假設。