Google DeepMindがエンコーダー不要の統合マルチモーダルモデル「Gemma 4 12B」を発表

Google DeepMindは、Gemma 4 12Bを発表しました。これは、視覚や音声入力用の専用エンコーダを持たず、LLMバックボーンが直接処理できる統合マルチモーダルモデルです。16GBのVRAMまたはユニファイドメモリを搭載したコンシューマ向けノートPCでローカル実行できるよう設計されており、より大規模な26B MoEモデルに近い性能を、より小さなメモリフットプリントで実現します。主な特徴として、ネイティブ音声入力、レイテンシを低減するマルチトークンプレディクションドラフター、Apache 2.0ライセンスがあります。このモデルはHugging FaceとKaggleでダウンロード可能で、LM Studio、Ollama、Google Cloudなどのツールとの統合をサポートしています。Gemma 4モデルは1億5000万ダウンロードを超えています。