Gemma 4 12B: DeepMind kodlayıcısız multimodal model təqdim edib

Google DeepMind 3 iyun 2026-cı ildə Gemma 4 12B-ni təqdim edib. Şirkətin təsvirinə görə, model agent əsaslı multimodal intellekti birbaşa noutbuklara gətirir. O, yüngül E4B ilə daha güclü 26B Mixture of Experts (MoE) modeli arasında yerləşir, daha çox imkanı daha kiçik yaddaş həcminə sığdırır və ailənin yerli audio girişi olan ilk orta ölçülü modelidir.

Modelin təklif etdiyi imkanlar

Google-a görə, Gemma 4 12B standart benchmarklarda 26B MoE modelinə yaxın nəticə göstərir, amma ümumi yaddaş sərfiyyatının yarısından azını istifadə edir. 16GB VRAM və ya vahid yaddaşa malik adi noutbuklarda yerli işləyəcək qədər kiçikdir və Apache 2.0 lisenziyası ilə yayımlanır. Buraxılışda gecikməni azaltmaq üçün Multi-Token Prediction (MTP) qaralama modelləri də var. Google bildirir ki, Gemma 4 ailəsi 150 milyon yükləməni keçib.

Kodlaşdırıcısız vahid arxitektura

Multimodal modellərin çoxu şəkil və səsi dil modelinə ötürməzdən əvvəl ayrı kodlaşdırıcılarla emal edir; Google-a görə, bu ayrı kodlaşdırıcılar gecikməni artırır və yaddaş sərfiyyatını yüksəldir, buna görə Gemma 4 12B kodlaşdırıcısız arxitektura ilə öyrədilib. Görmə tərəfində vizual kodlaşdırıcı yüngül yerləşdirmə modulu ilə əvəzlənib — tək matris vurması, mövqe yerləşdirməsi və normallaşdırmalar — beləliklə vizual emalı dil modelinin özəyi yerinə yetirir. Səs tərəfində kodlaşdırıcı tamamilə çıxarılıb və xam audio siqnal mətn tokenləri ilə eyni ölçülü fəzaya proyeksiya olunur.

Əlçatanlıq və alətlər

Modeli LM Studio, Ollama, Google AI Edge Gallery tətbiqi, AI Edge Eloquent tətbiqi və LiteRT-LM CLI vasitəsilə sınamaq olar. Əvvəlcədən öyrədilmiş və təlimatla incə sazlanmış çekpointlər Hugging Face və Kaggle-dan yüklənə bilər. Yerli inferens axınları Hugging Face Transformers, llama.cpp, MLX, SGLang və vLLM ilə qurula bilər; səmərəli incə sazlama üçün Unsloth təklif olunur. İstehsalat üçün Google Gemini Enterprise Agent Platform Model Garden, Cloud Run və GKE-ni göstərir, həmçinin Gemma ilə işləyən agentlər üçün rəsmi Skills deposunu yayımlayıb.

Noutbukda işləyən güclü multimodal model yerli avadanlıqla indiyədək bulud tələb edən agent iş axınları arasındakı məsafəni azaldır. Lakin performans rəqəmləri Google-ın öz məlumatlarıdır; Gemma 4 12B-nin müstəqil qiymətləndirmələri hələ qarşıdadır.