HiRO-ACEv2 與 Gemma 4 12B：唯有停止計算參數，這場比較才說得通

HiRO-ACEv2 與 Gemma 4 12B兩者都是 Apache 2.0 授權的下載項目，名稱裡都有個數字，背後也都有一份技術報告，而相似之處大致就到此為止。Gemma 4 12B 是 Google 的 119.5 億參數多模態語言模型——輸入文字、圖像與音訊，輸出文字，具備 256K 詞元的上下文視窗，於 2026 年 6 月發布，下載次數遠超過一百萬次。HiRO-ACEv2 則是 Ai2 的第二代氣候模擬器，於 2026 年 10 月 12 日上傳至 Hugging Face 儲存庫，內含約 10.9 GB 的檢查點與強迫資料，既沒有發布公告，論文也在隔天才出現。一個是你呼叫的通用模型；另一個是你自行安裝、在自家機器上執行的物理框架。

若把它包裝成品質上的正面對決，這場比較毫無意義，而硬要假裝並非如此，只會是這類頁面最容易犯的失誤。若改從「開放權重在 2026 年究竟能為你帶來什麼」這個問題來框架，它確實深具啟發性——因為這兩個發布版本雖然掛著相同的授權標籤，卻分別位於開放程度光譜的兩端，而且差異在你試圖使用其中任何一款的第一個小時內就會顯現。

每一個的用途是什麼，各用一句話說明

Gemma 4 12B 接收提示——文字、圖像、音訊片段，或上述的某種組合——並產生文字。它採用無視覺塔、無編碼器的架構，透過線性層將圖像區塊與音訊波形直接投影到語言模型的嵌入空間，具有 48 層、262K 詞彙表、1024 個 token 的滑動視窗混合全域注意力，以及在 bf16 下約 119.5 億個參數。它明確是一個稠密模型，且此次發布包含完整的廠商基準測試表。

HiRO-ACEv2 接收 100 公里解析度的氣候狀態，並產生 3 公里的場——降水、10 公尺向東與向北風，以及平均海平面氣壓，頻率為每六小時一次。它是一個兩階段系統：先是一個將 X-SHIELD 粗化至 100 公里的自迴歸模擬器，接著是一個將結果降尺度至 3 公里的擴散模型。它輸出 NetCDF 風格的網格化場，而非文字，而且完全沒有基準表。

就結構而言，這就是全部的比較。一個是將語言映射到語言。另一個則是將粗略的氛圍映射到細緻的氛圍。

唯一能讓這兩者真正相提並論的面向

參數是錯誤的軸，而上下文長度對其中一者毫無意義。真正能轉移的維度，是發布版本完成了多少。

• 可載入它的框架 — Gemma 4 12B 可在 Transformers、vLLM、SGLang、llama.cpp、MLX 以及一長串社群量化版本上執行；HiRO-ACEv2 則透過 Ai2 自家的 fme Python 套件執行，其設定僅針對 ai2cm/ace 儲存庫，別無其他。

• 一次回答的價格 — Gemma 4 12B 由提供該模型的服務商以每百萬輸入符元約 $0.10、每百萬輸出符元約 $0.30 的價格供應；HiRO-ACEv2 則沒有價目表，因為它完全不是按次計費的東西。它的成本是你自己硬體上的 GPU 小時，而該論文聲稱，這些小時數比傳統的數值全球風暴解析模型少超過 300 倍。

• 誰重現過它——Gemma 4 12B 的數字是廠商自行回報的，但其部署情況則不然：關於其行為表現的每一項說法，背後都有數十萬次下載與大量獨立從業者的實作成果支撐；HiRO-ACEv2 的數字出自作者本人、僅有兩天歷史，且截至本文撰寫時，該儲存庫的下載次數為零。

• 授權標籤所對應的內容——兩者皆為 Apache 2.0。Gemma 4 12B 的授權屬於一般標準授權；HiRO-ACEv2 的授權則附帶 Ai2 的《負責任使用指南》，其中明訂研究與教育用途，並在其上疊加自身適用的使用條款。

• 可機械檢查的輸出——Gemma 4 12B 的答案用閱讀或你撰寫的測試套件來檢查；HiRO-ACEv2 的欄位則對照分佈來檢查，這就是為什麼這篇論文談的是第 99.9999 百分位，而不是平均分數。

基準測試表是最明顯的差異

G​oogle 公布了 Gemma 4 12B Unified 的完整表格。MMLU Pro 為 77.2%，AIME 2026 在不使用工具的情況下為 77.5%，LiveCodeBench v6 為 72.0%，Codeforces ELO 為 1659，GPQA Diamond 為 78.8%，MMMLU 為 83.4%，MMMU Pro 為 69.1%，MATH-Vision 為 79.7%，而 MRCR v2 在 128k 的八針數值為 43.4%。這些都是廠商自家的數字，未經 G​oogle 的競爭對手重現，而標準但書依然適用：模型卡上的基準分數是對某個配置的宣稱，而不是對你實際會執行的模型所做的量測。但那些列出的每一項，都是第三方可以在一個下午內嘗試否證的數字，而且其中幾項衡量的能力，會在一般使用中展現出來。

HiRO-ACEv2 的模型卡並未包含這類表格。它只提出一項量化陳述——降尺度器能重現地表降水率、10 公尺風速與海平面氣壓分布，且可達第 99.9999 百分位——接著列出比大多數基準表更具資訊性的限制。九年的訓練資料，2014 年至 2022 年。輸出重現的是 X-SHIELD，而非觀測資料。不適用於南緯 66° 至北緯 70° 以外的範圍，也無法在南緯 88° 或北緯 88° 以外執行。在大於 16×16 一度訓練區塊的區域中，會出現區塊邊界不連續。有一項註記指出，隨附的 ACE2S-X-SHIELD 檢查點，測試嚴謹度不如較早的 ACE2-ERA5 系列。

這兩種姿態都稱不上不誠實。Google 在販售模型，所以它宣傳的是模型得分多少。Ai2 則是在發表研究產物，所以它宣傳的是這個研究產物有哪些做不到的事。讀者若把缺少基準測試表當成模型很弱的證據，就是把推理方向搞反了——正確的解讀是，這個框架所需的評估是分佈性的，而沒有任何公開排行榜在執行它。

它們在真實管線中交會之處

有一個地方，這兩者確實屬於同一個系統，而這並不是一場競爭對立。氣候模擬工作流程會在模型周遭產生大量文字與程式碼：用於驅動橫跨數十年模擬時間之集成（ensemble）的指令碼、在執行耗費 GPU 小時之前驗證 NetCDF 形狀的工具、彙總數百次推演之間的分布統計量，以及把一篇論文變成檢查清單的日常作業。這些都不是降尺度，而全都是語言模型的工作——這種工作的合理預設，是每次請求時呼叫模型，而不是自己託管一個模型。

那一層是由 OrcaRouter 涵蓋的。HiRO-ACEv2 並不在我們的目錄中，也不可能收錄——擴散降縮器並沒有以 token 計量的端點——因此這裡的任何內容都不應被解讀為對它的可用性聲明。Gemma 4 12B 同樣不是我們目前提供的 Gemma 模型之一；我們的目錄收錄的是 Gemma 4 26B-A4B 與 31B 檢查點，而 12B 的推論路徑將取決於你把它託管在哪裡。我們提供的是外圍的那一層：一組 API 金鑰通行兩百多個模型，以供應商定價原價轉遞、不額外加價，並且在供應商之間自動容錯切換，讓一條同時會呼叫語言模型、橫跨數十年的流程，不會因為某個上游有一小時出狀況就停擺。

如何在不到一分鐘內做決定

先問自己，你的答案會以什麼形式呈現。如果輸出是文字、結構化擷取、程式碼變更或圖說，你要的是 Gemma 4 12B——或其較大型的同系列成員——而當你需要多模態輸入，且其規模可放入單一加速器並仍有空間容納長脈絡時，12B 正是正確選擇。如果輸出是描述數十年模擬氣候中降水量、風與氣壓的 3 公里網格場，沒有任何語言模型能產生它，Gemma 4 也與你的問題無關；你需要的是 HiRO-ACEv2、10.9 GB 的下載檔、Python 環境和一張 GPU。

這個特定比較中的陷阱在於參數量。Gemma 4 12B 有一個；HiRO-ACEv2 並未公布，而 10.9 GB 的儲存庫空間主要是強迫資料與初始條件，而非權重——兩個檢查點合計約為 4.3 GiB。以規模、或以任何單一數字並列評判這兩個模型，只會對一個沒人問的問題給出自信的答案。

像這樣的比較，也正是失效模式會浮現的地方：這一類模型背後有紀錄的 AI 事故與代理失效，都彙集在OrcaRouter AI 事故檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。