Gemma 4 12B: DeepMind-მა ენკოდერების გარეშე მომუშავე მულტიმოდალური მოდელი წარადგინა

2026 წლის 3 ივნისს Google DeepMind-მა წარადგინა Gemma 4 12B — ღია მოდელი, რომელიც კომპანიის აღწერით, „აგენტურ მულტიმოდალურ ინტელექტს“ უშუალოდ ლეპტოპებზე მიაქვს. მოდელი ჯდება ორ არსებულ ვარიანტს შორის — მსუბუქ E4B-სა და უფრო მძლავრ 26B Mixture of Experts (MoE) მოდელს შორის — და მეტ შესაძლებლობას ათავსებს უფრო მცირე მეხსიერების მოცულობაში. ეს არის კომპანიის პირველი საშუალო ზომის მოდელი, რომელსაც მშობლიური აუდიო შესაყვანი აქვს.

რას გვთავაზობს მოდელი

Google-ის მტკიცებით, Gemma 4 12B სტანდარტულ ბენჩმარკებზე 26B MoE მოდელს უახლოვდება, თუმცა მთლიანი მეხსიერების მოხმარება ნახევარზე ნაკლებია. მოდელი 16 გბ VRAM-ის ან ერთიანი მეხსიერების მქონე სამომხმარებლო ლეპტოპზე ლოკალურად ეშვება და Apache 2.0 ლიცენზიით ვრცელდება. გამოშვებაში ასევე შედის Multi-Token Prediction (MTP) დრაფტერები, რომლებიც გამოტანის დაყოვნებას ამცირებს. კომპანიის თქმით, Gemma 4 ოჯახის მოდელებმა 150 მილიონ ჩამოტვირთვას გადააჭარბა.

არქიტექტურა ენკოდერების გარეშე

მულტიმოდალური მოდელების უმეტესობა ცალკეულ ენკოდერებს იყენებს, რომ სურათები და აუდიო ტექსტისთვის გასაგებ სახედ გარდაქმნას; Google-ის თქმით, ასეთი გაყოფილი ენკოდერები დაყოვნებასა და მეხსიერების ხარჯს ზრდის, ამიტომ Gemma 4 12B ენკოდერების გარეშე გაწვრთნეს. ხედვის ნაწილში ვიზუალური ენკოდერი მსუბუქი ჩაშენების მოდულით შეიცვალა — ერთი მატრიცული გამრავლება, პოზიციური ჩაშენება და ნორმალიზაციები — და ვიზუალურ დამუშავებას თავად ენობრივი მოდელის ბირთვი იღებს თავზე. აუდიოში პროცესი კიდევ უფრო გამარტივდა: აუდიო ენკოდერი მთლიანად მოიხსნა და უმი აუდიო სიგნალი პირდაპირ ტექსტური ტოკენების იმავე განზომილებიან სივრცეში გადაიტანეს.

სად ვიპოვოთ და როგორ გავუშვათ

მოდელის გასაცნობად შესაძლებელია LM Studio-ს, Ollama-ს, Google AI Edge Gallery-ს, AI Edge Eloquent აპლიკაციისა და LiteRT-LM CLI-ის გამოყენება. წინასწარ გაწვრთნილი და ინსტრუქციებით დახვეწილი წონები Hugging Face-სა და Kaggle-ზეა ხელმისაწვდომი. ლოკალური ინფერენსის პროცესები შეიძლება აშენდეს Hugging Face Transformers-ით, llama.cpp-ით, MLX-ით, SGLang-ითა და vLLM-ით, ხოლო ეფექტური დახვეწისთვის Unsloth-ს გვთავაზობენ. წარმოებისთვის Google მიუთითებს Gemini Enterprise Agent Platform Model Garden-ს, Cloud Run-სა და GKE-ს; გამოქვეყნდა ოფიციალური Skills რეპოზიტორიც, რომელიც Gemma-ზე მომუშავე აგენტებისთვისაა განკუთვნილი.

ლეპტოპზე მომუშავე მულტიმოდალური მოდელი ამცირებს მანძილს ლოკალურ აპარატურასა და იმ აგენტურ სამუშაო პროცესებს შორის, რომლებიც აქამდე ღრუბელს მოითხოვდა. თუმცა წარმადობის მაჩვენებლები Google-ის საკუთარი მონაცემებია — Gemma 4 12B-ის დამოუკიდებელი შეფასებები ჯერ წინ არის.