# Gemma 4 12B：开发者指南

- 来源：Google Developers Blog（RSS）
- 发布时间：2026-06-03 00:00
- AIHOT 分数：78
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmpy9ex3402zdslaxi9ohndfc
- 原文链接：https://developers.googleblog.com/gemma-4-12b-the-developer-guide

## 精选理由

Google 把多模态模型直接塞进消费级设备，靠的不再是缩水而是架构层面的创新。12B 放在本地跑，这次玩法变了。

## AI 摘要

Gemma 4 12B 是一款密集多模态模型，专为消费级设备上的高性能本地 AI 执行而设计。其采用新颖的无编码器架构，绕过传统视觉和音频编码器，将多模态数据直接输入大语言模型主干。

## 正文

继我们发布博客中的公告之后，我们正式发布 Gemma 4 12B，这是一个采用统一、无编码器架构的密集多模态模型。

Gemma 4 12B 为本地 AI 带来了多项里程碑式突破：

多模态无编码器架构：完全绕过繁重的多阶段视觉和音频编码器，多模态数据直接输入大语言模型主干，从而降低多模态延迟。

我们首款支持音频输入的中等规模模型：在 Gemma 系列中，此前音频输入仅限于小型、轻量级的边缘架构（例如 E4B）。Gemma 4 12B 是首款能够原生接收音频的中等规模模型。

对开发者友好的尺寸：模型足够小，可在配备 16GB VRAM 或统一内存的专用 GPU 笔记本电脑上本地运行。为最大化本地推理速度，我们还额外发布了一款专用的多 token 预测（MTP）模型。

全新的 MacOS 桌面体验：我们首次发布可下载的 macOS 桌面应用程序，让开发者能够在消费级设备上直接体验完全本地的语音和视觉交互。

架构

传统多模态模型依赖冻结的、独立的视觉编码器（例如，Gemma 4 在边缘尺寸模型中使用 1.5 亿参数的视觉模型，在中等尺寸模型中使用 5.5 亿参数）和音频编码器（Gemma 4 E2B 和 E4B 使用 3 亿参数）。在将多模态输入送入大语言模型之前，使用多个独立编码器进行处理，会导致延迟增加和内存占用碎片化。

Gemma 4 12B 通过采用一个仅解码器的 Transformer 来解决这些问题，该 Transformer 包含与 Gemma 4 31B 密集模型相同的先进解码器结构。

视觉嵌入器（3500 万参数）：取代了其他中等尺寸 Gemma 4 模型中的 27 层视觉 Transformer。原始的 48x48 像素块通过单次矩阵乘法（matmul）被投影到大语言模型的隐藏维度。一个分解的坐标查找（X 和 Y 矩阵）将空间位置信息直接附加到输入上。

音频波形投影：消除了独立的音频编码器（跳过了 Gemma 4 E2B 和 E4B 中使用的 12 层 Conformer 层）。原始的 16 kHz 音频信号被切片为 40 毫秒的帧（每帧 640 个浮点数），并线性投影到大语言模型的输入空间。

统一微调优势：由于视觉、音频和文本输入共享完全相同的权重，你不再需要协同调整多个独立的冻结编码器。下游适配器（例如 LoRA）或全量微调能够自然地通过单次传递（借助 Hugging Face 或 Unsloth）更新整个多模态 token 循环。

如需更深入地了解这种免编码器架构的工作原理，请参阅《Gemma 4 12B 可视化指南》。

能力

Gemma 4 12B 实现了卓越的性能，具备自动语音识别、智能体推理、说话人分离、视频理解、编程等多种能力。

请参阅以下示例，了解该模型的智能体与多模态能力演示：

示例 1：Gemma 4 12B 创建一个使用 Gemma 4 12B 的本地图像处理应用

凭借其智能体与多模态理解能力，Gemma 4 12B 可以轻松与 OpenCode 等现有智能体框架配合使用。在此示例中，我们使用 llama.cpp 通过 gemma-skills 在本地部署该模型，编写了一个帮助用户处理图像的 Gradio 应用。这个应用正是由构建它的同一个 Gemma 4 12B 模型驱动的！

示例 2：以 1 FPS 处理带音频的 5 分钟视频

我们使用 Gemma 4 12B 分析了 5 月 19 日 Google IO 主题演讲中的一个片段，具体是 00:15:32 到 00:20:45 之间的 5 分钟内容。为此，我们提取了该片段的所有帧（以 1 FPS 速率），以及提示词和视频中的音频：

提示词：

313 帧（以 1FPS 速率，图像大小调整为视觉 token 预算 70）

“当那个男人自拍时发生了什么？”

视频的音频 + 下方的提示词

在这些演示视频中，当男子拍摄“自拍照”或展示自己手持智能手机放在脸前时，这是一种巧妙的方式，用视觉手段来表现AI模型如何利用现有媒体（如个人照片或视频片段）并对其进行“重新构想”。在这些特定片段中，模型会获取一张自拍照，并将其作为基础来生成各种场景（例如一个人身处空间站，或正在森林中行走）。本质上，这名男子并非真的在拍自拍，而是**在演绎一个视觉隐喻，用以表现AI的能力——即接收一个特定输入（一张“自拍照”），并基于它生成一整个全新的内容世界。** 这是Gemini Omni模型“替换”和“构建世界”演示的一部分，展示了其执行复杂多模态推理和创意生成的能力。

设备端与桌面端服务：由LiteRT-LM驱动

随着Gemma 4 12B的发布，我们正式推出了由LiteRT-LM驱动的强大设备端开发者集成功能，将零延迟的本地AI执行能力原生带入标准桌面环境：

1. 原生macOS应用：移动端的Google AI Edge Gallery正式扩展到桌面平台，可在Apple Silicon GPU上离线原生运行Gemma 4 12B。它附带一个安全的沙盒化Python执行循环，能够在聊天气泡内编写、执行代码并绘制科学图表。与此同时，Mac上的Google AI Edge Eloquent应用也新增了对Gemma 12B的支持，为语音编辑对话输入提供动力。

2. 即插即用的本地API服务器（litert-lm serve）：使用新的`litert-lm serve` CLI命令，将Gemma 4 12B作为兼容OpenAI的本地API服务器运行。无缝连接标准集成（例如Continue、Aider、OpenClaw、Hermes或OpenCode），利用内存中的无状态前缀缓存来匹配上下文历史记录，从而立即绕过预填充延迟。

litert-lm import --from-huggingface-repo=litert-community/gemma-4-12B-it-litert-lm gemma-4-12B-it.litertlm gemma4-12b

# Start the OpenAI-compatible server litert-lm serve

请访问Google AI Edge Gallery博客，深入了解相关内容。

即刻开始

准备好使用Gemma系列首个无编码器架构来构建本地多模态智能体了吗？以下是你今天就可以开始的方法。

亲自试试：在 LM Studio、Ollama、Google AI Edge Gallery App、Google AI Edge Eloquent 应用以及 LiteRT-LM CLI 中，只需点击几下即可体验。

下载权重：直接从 Hugging Face 和 Kaggle 下载预训练和指令微调的检查点。

集成与学习：查阅开发者文档和快速入门笔记本。

使用你喜爱的开发工具：通过 Hugging Face Transformers、llama.cpp、MLX、SGLang 和 vLLM 实现本地推理管线，或使用 Unsloth 高效微调。

借助 Gemma Skills 开启智能体开发：为支持开发者利用最新的 Gemma 进展构建智能体，我们正式发布了官方 Skills Repository。这是一个专门为让智能体能够使用 Gemma 模型进行构建而设计的技能库。

按需部署：使用 Google Cloud 在生产环境中启动端点。通过 Gemini Enterprise Agent Platform Model Garden、Cloud Run 和 GKE 按需部署。

AI

公告

探索

多模态

Gemma

AI