Google DeepMind esittelee Gemma 4 12B:n: Yhtenäinen multimodaalimalli ilman erillisiä koodekkeja

Google DeepMind on julkistanut Gemma 4 12B:n, uuden keskikokoisen mallin, joka yhdistää tekstin, kuvien ja äänen käsittelyn ilman erillisiä koodekkeja. Toisin kuin perinteiset multimodaaliset mallit, jotka käyttävät erillisiä koodekkeja kuvien ja äänen kääntämiseen, Gemma 4 12B hyödyntää kevyttä näön upotusmoduulia ja projisoi raa'an audiosignaalin suoraan tekstin token-avaruuteen. Malli saavuttaa lähes suuremman Gemma 4 26B MoE -mallin suorituskyvyn, mutta käyttää alle puolet muistista ja toimii paikallisesti kuluttajakannettavissa, joissa on 16 Gt RAM-muistia. Gemma 4 12B tukee multitoken-ennustusta (MTP) viiveen vähentämiseksi ja on julkaistu Apache 2.0 -lisenssillä. Mallin painot ovat saatavilla Hugging Facessa ja Kagglessa, ja kehittäjät voivat käyttää suosittuja työkaluja, kuten Hugging Face Transformers, llama.cpp, MLX, SGLang ja vLLM. Lisäksi on julkaistu virallinen Gemma Skills -taitosarja tukemaan mallin kanssa toimivia agentteja.